📊 statistics

A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

تقدم هذه الورقة نموذج B-DARMA-DARCH، وهو إطار عمل بايزي لمتسلسلات ديريكليه الزمنية يدمج مكون ARCH لالتقاط تكتل التقلبات في البيانات التركيبية مثل حصص رسوم خدمة Airbnb، مما يظهر دقة تنبؤ ومعايرة فترات متفوقة مقارنة بالمعايير المرجعية القياسية.

المؤلفون الأصليون: Harrison Katz, Robert E. Weiss

نُشر 2026-03-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Harrison Katz, Robert E. Weiss

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تدير سوقاً عالمياً ضخماً، مثل "Airbnb"، حيث يقوم الأشخاص من جميع أنحاء العالم بحجز أماكن للإقامة. هم يدفعون بعملاتهم المحلية الخاصة: الدولارات، اليورو، الين، الريال البرازيلي، وغيرها.

لتشغيل هذا العمل، تحتاج إلى معرفة بالضبط كم سيكون لديك من الأموال بالدولار الأمريكي في نهاية اليوم. ولكن الجزء الصعب هنا ليس مجرد معرفة عدد الحجوزات التي حصلت عليها؛ بل تحتاج إلى معرفة مزيج العملات. إذا كانت 90% من حجوزاتك اليوم باليورو، ولكن غداً أصبحت 90% منها بالين، فإن إجمالي إيراداتك بالدولار الأمريكي سيتغير بشكل جذري، حتى لو ظل عدد الحجوزات ثابتاً.

هذا "المزيج" هو ما يسميه البحث بيانات تركيبية (Compositional Data). الأمر يشبه المخطط الدائري (Pie Chart) حيث يجب أن تبلغ مجموع شرائحها دائماً 100%. إذا كبرت شريحة واحدة، يجب أن تصغر الشرائح الأخرى.

المشكلة: المخطط الدائري متذبذب

لاحظ المؤلفون أن مزيج العملات هذا ليس مستقراً. أحياناً يكون هادئاً، ولكن في أوقات أخرى — مثل وقت الجائحة أو حدوث انهيار اقتصادي مفاجئ — يصبح جامحاً. "الشرائح" تتأرجح بجنون من يوم لآخر.

أدوات التنبؤ القياسية تشبه محاولة التنبؤ بالطقس باستخدام ميزان حرارة يعمل فقط في الأيام المشمسة. فهي تفترض أن "التذبذب" (التقلب) في مزيج العملات ثابت. ولكن في الواقع، يزداد هذا التذبذب بشكل هائل أثناء الأزمات ويصبح ضئيلاً جداً خلال الأوقات الهادئة. عندما يفترض النموذج أن التذبذب ثابت، فإنه يصاب بالارتباك ويقدم تنبؤات سيئة.

الحل: نموذج ذكي ذاتي التعديل

قام المؤلفون ببناء نموذج جديد يسمى B-DARCH. فكر فيه كأنه توقعات طقس ذكية وذاتية التعديل لمخطط العملات الخاص بك.

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. قيد "الفطيرة" (المنبسط - The Simplex)

تحاول معظم النماذج الرياضية التنبؤ بأرقام يمكن أن تزيد أو تنقص إلى ما لا نهاية. لكن حصص العملات هي بمثابة فطيرة. لا يمكنك امتلاك 110% من الفطيرة.

النماذج القديمة: غالباً ما تحاول فرد الفطيرة لتصبح خطاً مستقيماً لتسهيل الرياضيات، ثم تحاول ثنيها مرة أخرى. وأحياناً، يؤدي هذا الفرد إلى كسر الفطيرة، مما يؤدي إلى تنبؤات مستحيلة (مثل نسب مئوية سالبة).
النموذج الجديد: يحترم شكل الفطيرة منذ البداية. فهو يعلم أن الشرائح يجب أن تبلغ مجموعها دائماً 100%.

2. كاشف "التذبذب" (التقلب - Volatility)

هذا هو السر الكامن وراء نجاحه. تخيل أنك تقود سيارة.

الطريقة القديمة (B-DARMA): السيارة تمتلك نظام تعليق تم ضبطه على صلابة "متوسطة". إذا اصطدمت بمطبات صغيرة، فالأمر جيد. ولكن إذا واجهت حفرة ضخمة (انهيار في السوق)، فسترتد السيارة بعنف، وسيفقد السائق (النموذج) توازنه.
الطالطريقة الجديدة (B-DARCH): هذه السيارة تمتلك نظام تعليق تكيفي.
- عندما يكون الطريق ناعماً، يكون نظام التعليق صلباً ودقيقاً، مما يوفر رحلة دقيقة للغاية.
- عندما يصبح الطريق وعراً (ارتفاع حدة التقلبات)، يلين نظام التعليق فوراً ليمتص الصدمة. هو لا يتوقع المطبات فحسب، بل إنه يشعر بتغير الطريق ويعدل حساسيتة في الوقت الفعلي.

من الناحية الرياضية، يمتلك النموذج "قرص ضبط الدقة". عندما يكون مزيج العملات فوضوياً، يخفض القرص مستوى الثقة (معترفاً بـ "أنا لست متأكداً، الأمور جنونية الآن") ويوسع شبكة الأمان. وعندما تكون الأمور هادئة، يرفع القرص ليقدم تنبؤاً أكثر حدة ودقة.

لماذا يهم هذا؟

اختبر المؤلفون هذا النموذج مقابل ثلاثة أنواع أخرى من النماذج باستخدام بيانات Airbnb الحقيقية وبعض سيناريوهات "الكوارث" الوهمية.

الدقة: تنبأ النموذج الجديد بمزيج العملات بشكل أفضل بكثير من النماذج الأخرى، خاصة عندما أصبحت الأمور فوضوية.
الأمان: قدم النموذج "فترات ثقة" أفضل. تخيل توقعات الطقس التي تقول: "سيهطل المطر بين الساعة 2 ظهراً و4 عصراً". النماذج القديمة قد تقول "من 2 إلى 2:05 ظهراً" (ضيقة جداً، ومن المرجح أن تكون خاطئة) أو "طوال اليوم" (واسعة جداً، وغير مفيدة). النموذج الجديد عدل نطاقه بناءً على مدى عاصفة اليوم، محققاً الهدف في كثير من الأحيان.
تلاشي "تأثير الصدمة": بعد وقوع صدمة كبيرة (مثل حدث إخباري مفاجئ)، استمرت النماذج القديمة في ارتكاب الأخطاء لأيام بعدها لأنها كانت بطيئة في إدراك أن القواعد قد تغيرت. أما النموذج الجديد فقد تكيف بشكل فوري تقريباً.

الخلاصة

يقدم البحث أداة تتعامل مع البيانات المالية كشيء حي يتنفس، وليس كآلة ثابتة.

إذا كان السوق هادئاً: النماذج البسيطة تعمل بشكل جيد.
إذا كان السوق فوضوياً: فأنت بحاجة إلى نموذج يمكنه تغيير قواعده الخاصة على الطاير.

نموذج B-DARCH هو تلك الأداة المرنة. إنه يشبه منح توقعاتك المالية جهازاً عصبياً يشعر باهتزازات السوق ويعدل توازنه فوراً، مما يضمن أنه عندما يصبح العالم فوضوياً، تظل تنبؤاتك موثوقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نموذج Dirichlet التلقائي للارتباط الشرطي غير المتجانس البايزي للتنبؤ بحصص العملات".

1. بيان المشكلة

تتناول الورقة تحدي التنبؤ بـ السلاسل الزمنية التركيبية (Compositional Time Series) في سياق التمويل في الأسواق، وتحديداً حصص رسوم العملات اليومية لشركة Airbnb.

المشكلة الجوهرية: يتطلب التنبؤ بالإيرادات تحويل الحجوزات التي تمت بعملات محلية متنوعة إلى مبلغ موحد بالدولار الأمريكي (USD). ويعتمد هذا على عاملين: إجمالي حجم الحجوزات ونسبة (حصة) تلك الحجوزات المدفوعة بكل عملة.
القيود: تُعد حصص العملات بيانات تركيبية؛ فهي غير سالبة ويجب أن يكون مجموعها واحداً (تقع على "سيمبلكس" أو Simplex). غالباً ما تفشل طرق السلاسل الزمنية القياسية (مثل Gaussian VARMA) في احترام هذه القيود أو تتطلب تحويلات (مثل Additive Log-Ratio, ALR) قد تشوه عدم اليقين أو تنتهك خصائص الـ simplex عند العودة للبيانات الأصلية.
ديناميكيات التقلب: تظهر البيانات تباينًا شرطيًا غير متجانس (Conditional Heteroskedasticity) (تكتل التقلبات). تمر حصص العملات بفترات متكررة من التشتت، لا سيما أثناء الاضطرابات الاقتصادية الكلية (مثل بداية جائحة كوفيد-19). تفترض النماذج الحالية غالباً دقة ثابتة (تباين ثابت) أو تبايناً حتمياً، مما يفشل في التقاط الطبيعة الديناميكية لهذه الصدمات.

2. المنهجية: نموذج B-DARCH

يقترح المؤلفون نموذج Dirichlet التلقائي للارتباط المتوسط مع Dirichlet التلقائي للارتباط الشرطي غير المتجانس البايزي (B-DARCH). يجمع هذا الإطار بين نموذج متوسط على الـ simplex ومكون دقة ديناميكي.

أ. نموذج البيانات (ديناميكيات المتوسط)

الاحتمالية (Likelihood): تتبع الملاحظات $y_t$ (حصص العملات) توزيع ديريكليه (Dirichlet distribution): $y_t | \mu_t, \phi_t \sim \text{Dirichlet}(\phi_t, \mu_t)$ . يضمن هذا بقاء التنبؤات نسباً صالحة على الـ simplex.
هيكل المتوسط: يتم نمذجة متجه المتوسط $\mu_t$ $μ_{t}$ باستخدام تحويل اللوغاريتم المضاف (ALR) لخرائط الـ simplex إلى $\mathbb{R}^{J-1}$ $R^{J - 1}$ .
- يتم نمذجة $\eta_t = \text{alr}(\mu_t)$ عبر عملية VARMA مدفوعة بالملاحظات:
  $\eta_t = \sum_{p=1}^P A_p(\text{alr}(y_{t-p}) - X_{t-p}\beta) + \sum_{q=1}^Q B_q(\text{alr}(y_{t-q}) - \eta_{t-q}) + X_t\beta$
- يلتقط هذا الجزء التبعيات ذاتية الانحدار (AR) والمتوسطات المتحركة (MA) في المتوسط.

ب. نموذج الدقة (ديناميكيات التقلب)

الابتكار الرئيسي هو مكون DARCH، الذي ينمذج معامل الدقة $\phi_t$ (مقلوب التباين) بشكل ديناميكي، على غرار نماذج GARCH في التمويل.

تكرار اللوغاريتم للدقة: بدلاً من الدقة الثابتة أو المدفوعة بالمتغيرات، يتبع $\log(\phi_t)$ عملية ARMA مدفوعة بالابتكارات الماضية والدقة الماضية:
$\log(\phi_t) = \sum_{l=1}^L \alpha_l(\log(\phi_{t-l}) - z'_{t-l}\gamma) + \sum_{k=1}^K \tau_k (\text{alr}(y_{t-k}) - \eta_{t-k})'(\text{alr}(y_{t-k}) - \eta_{t-k}) + z'_t\gamma$
الآلية: يمثل المصطلح $(\text{alr}(y_{t-k}) - \eta_{t-k})'$ $(alr (y_{t - k}) - η_{t - k})^{'}$ الابتكار المربع (الصدمة). وهذا يسمح للنموذج بـ:
1. التقاط تكتل التقلبات (Volatility Clustering) (فترات من التباين العالي تليها فترات عالية).
2. التكيف بسرعة مع تحولات الأنظمة (Regime Shifts) (مثل بداية الجائحة).
3. الحفاظ على القيود التركيبية مع نمذجة عدم اليقين المتغير زمنياً.

ج. الاستدلال

يتم تقدير النموذج باستخدام إطار بايزي كامل عبر طريقة ماركوف تشين مونت كارلو (MCMC) في برنامج Stan.
ينتج النموذج توزيعات تنبؤية مشتركة، مما يسمح بحساب الفترات الموثوقة التي تتسع تلقائياً خلال الفترات المتقلبة.

3. المساهمات الرئيسية

فئة نماذج جديدة: تقديم B-DARCH، وهو أول نموذج Dirichlet للزمن البايزي الذي يدمج تكراراً شبيهاً بـ GARCH للدقة على الـ simplex.
التعامل مع القيود التركيبية: على عكس نهج Gaussian المحول، يحافظ B-DARCH على الاحتمالية على الـ simplex، مما يضمن أن التنبؤات هي دائماً نسب صالحة.
التقدير الديناميكي لعدم اليقين: يفصل B-DARCH صراحةً بين ديناميكيات المتوسط وديناميكيات التقلب، مما يسمح بتقييم مخاطر أكثر قوة عندما "تتحرك الضوضاء نفسها".
المقارنة المرجعية الشاملة: تقارن الدراسة B-DARCH مقابل:
- B-DARMA: نموذج Dirichlet ARMA البايزي القياسي (دقة ثابتة أو حتمية).
- B-tVARMA: نموذج VARMA المحول لـ Gaussian (تباين ثابت في فضاء ALR).
- B-TVP-tVARMA: نموذج VARMA ذو المعلمات المتغيرة زمنياً (متوسط منزلق، تباين ثابت).

4. النتائج

أ. الدراسات المحاكاتية

قام المؤلفون بمحاكاة بيانات تحت أربعة سيناريوهات، وهي عمليات توليد البيانات (DGPs) لـ DARMA و tVARMA، حيث تم تعديل كل منها بواسطة ملاحظات تم الإبلاغ عنها بشكل خاطئ وتحولات نظام مؤقتة.

دقة التنبؤ: حقق B-DARCH باستمرار أدنى جذر متوسط مربع خطأ التنبؤ (FRMSE) وأدنى متوسط الخطأ المطلق للتنبؤ (FMAE) عبر جميع السيناريوهات.
تشخيص البواقي: أظهر B-DARCH أضعف استمرارية للبواقي في دالة الارتباط الذاتي الجزئي (PACF) للبواقي المعيارية المربعة. بينما أظهرت النماذج الأخرى ارتباطاً ذاتياً متبقياً بعد الصدمات، استطاع B-DARCH التكيف بسرعة وتبديد الاعتماد المتبقي بشكل أسرع.
المتانة: حتى عندما كان الـ DGP الحقيقي ذا تباين ثابت، كان أداء B-DARCH تنافسياً، مما أظهر قدرته على امتصاص الصدمات دون الإفراط في التخصيص (Overfitting).

ب. تطبيق بيانات Airbnb

طُبق النموذج على حصص رسوم العملات اليومية عبر أربعة مناطق جغرافية (2017-2020).

الأداء: حقق B-DARCH أدنى إجمالي FMAE وأدنى مجموع مربعات خطأ التنبؤ (FRSS) في جميع المناطق الأربع.
- في المنطقة 1، قلل B-DARCH إجمالي FMAE بنسبة >60% مقارنة بـ B-DARMA وبنسبة >80% مقارنة بـ B-tVARMA.
معايرة عدم اليقين: قدم B-DARCH أكثر تغطية للفترات الموثوقة 95% دقة (الأقرب إلى 0.95 الاسمي)، بينما كانت النماذج الأخرى غالباً ما تعاني من نقص التغطية خلال الفترات المتقلبة (مثلاً تغطية 0.65 في المنطقة 1 لنموذج B-TVP-tVARMA).
تحليل البواقي: أظهر PACF للبواقي المربعة لنموذج B-DARCH الحد الأدنى من الهيكل بما يتجاوز التأخر 1، مما يؤكد أن مكون DARCH نجح في التقاط تكتل التقلبات الموجود في البيانات الواقعية.

5. الأهمية والآثار المترتبة

الفائدة العملية: بالنسبة للتقارير المالية وإدارة مخاطر الخزانة، يوفر B-DARCH أداة متفوقة للتنبؤ بالإيرادات في بيئة متعددة العملات. فهو يسمح للفرق بالتحوط بشكل أفضل ضد تقلبات أسعار الصرف من خلال التحديد الدقيق لعدم اليقين في تحولات مزيج العملات.
التقدم النظري: تجسر الورقة الفجوة بين تحليل البيانات التركيبية ونمذجة التقلبات المالية (GARCH). وتثبت أن نمذجة الدقة كعملية ديناميكية أمر بالغ الأهمية للسلاسل الزمنية التركيبية، وليس فقط لأسعار الأصول المالية.
إرشادات للممارسين: يقترح المؤلفون قاعدة عملية:
- استخدم نماذج Transformed-Gaussian (B-tVAR_MA) عندما يكون التقلب مستقراً وتكون السرعة الحسابية هي الأولوية القصوى.
- استخدم نماذج Time-Varying Parameter (B-TVP) عندما ينزاح المتوسط بشكل كبير.
- استخدم B-DARCH عندما تتكتل التقلبات أو عندما تكون الضوضاء نفسها غير مستقرة، حيث يؤدي ذلك إلى أفضل دقة ومعايرة.

في الختام، يوفر نموذج B-DARCH نهجاً مرناً وموحداً للتباين غير المتجانس الديناميكي على الـ simplex، متفوقاً بشكل كبير على المعايير القياسية في كل من السيناريوهات المحاكاتية والواقعية التي تتضمن انكسارات هيكلية وتحولات في التقلب.