📊 statistics

Copula-Based Time Series for Non-Gaussian and Non-Markovian Stationary Processes

تقدم هذه الورقة إطاراً عاماً قائماً على الكوبولا لنمذجة السلاسل الزمنية المستقرة غير الغاوسية وغير الماركوفية من خلال الجمع بين المتواليات الماركوفية والمتواليات المعتمدة على q، وتستنتج روابطها النظرية مع نماذج ARMA وGARCH الغاوسية، وتثبت فعاليتها من خلال تقدير الاحتمال الأقصى والتنبؤ الاحتمالي لبيانات التضخم في الولايات المتحدة وبيانات طاقة الرياح في ألمانيا.

المؤلفون الأصليون: Sven Pappert, Harry Joe

نُشر 2026-04-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sven Pappert, Harry Joe

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 تحاول التنبؤ بالطقس. أنت تعلم أن طقس اليوم ليس مجرد صدفة عشوائية؛ فهو يعتمد بشكل كبير على طقس الأمس، وربما على الطقس قبل ذلك بيوم. في عالم الإحصاء، يسمى هذا السلسلة الزمنية (Time Series).

لفترة طويلة، امتلك الإحصائيون أداة محددة وصارمة للغاية للتنبؤ بهذه الأنماط: النموذج الغاوسي (أو الطبيعي). فكر في هذا الأمر ككرة مستديرة وناعمة تماماً. إنه يعمل بشكل رائع للأشياء التي تسلك سلوكاً "طبيعياً" (مثل أطوال البشر)، لكنه يعاني مع الأشياء الفوضوية، أو التي تحتوي على قفزات حادة (مثل انهيارات البورصة أو هبات الرياح المفاجئة)، أو العلاقات المعقدة غير الخطية.

تقدم هذه الورقة أداة جديدة أكثر مرونة تسمى نموذج السلسلة الزمنية القائم على الكوبولا (Copula-Based Time Series Model). إليك تفصيل ما فعله المؤلفون، باستخدام تشبيهات بسيية.

1. الفكرة الجوهرية: فصل "الشكل" عن "القصة"

تخيل أنك تروي قصة عن رحلة في أفعوانية (Rollercoaster).

"الشكل" (التوزيع الهامشي - Marginal Distribution): هذا هو المسار المادي. هل هو هبوط حاد؟ أم حلقة بطيئة؟ هذا يصف نطاق القيم التي يمكن أن تتخذها البيانات (على سبيل المثال، سرعة الرياح يمكن أن تكون من 0 إلى 100 ميل في الساعة، لكنها لا يمكن أن تكون سالبة).
"القصة" (الاعتماد التسلسلي - Serial Dependence): هذا هو كيفية انتقال الرحلة من نقطة إلى أخرى. هل يؤدي الهبوط الحاد عادةً إلى حلقة؟ هل يتبع الصعود البطيء دائماً هبوطاً سريعاً؟ هذا يصف العلاقة بين اليوم والأمس.

الطريقة القديمة: كانت النماذج التقليدية تفرض أن يكون "الشكل" و"القصالة" متطابقين. إذا كنت تريد قصة معقدة، فكنت عالقاً مع شكل بسيط ومستدير.
الطريقة الجديدة (الكوبولا): يستخدم المؤلفون "كوبولا" (وهي كلمة منمقة لـ "غراء رياضي") لفصل الاثنين. يمكنك اختيار أي شكل تريده (ملتوٍ، مدبب، ذي ذيول ثقيلة) ولصقه بـ أي قصة تريدها. وهذا يمنحك أقصى درام من المرونة.

2. المشكلة: قضية "الذاكرة القصيرة"

يشير المؤلفون إلى خلل في نماذج "الكوبولا" السابقة. لقد كانت مثل أسماك الزينة ذات الذاكرة القصيرة جداً.

إذا كان لديك نموذج ينظر إلى الوراء ليوم واحد فقط (رتبة ماركوف 1)، فإنه لن يستطيع التقاط اتجاه يتراكم على مدار 5 أيام.
إذا كان العالم الحقيقي يمتلك "ذاكرة طويلة" (مثل التضخم، الذي يرتفع أو ينخفض ببطء على مدار سنوات)، فإن نماذج الذاكرة القصيرة هذه ستفشل.

3. الحل: آلة "CoARMA"

يقترح المؤلفون آلة جديدة تجمع بين نوعين من الذاكرة:

جزء الـ AR (الارتباط الذاتي - Autoregressive): ينظر إلى الماضي للتنبؤ بالمستقبل (مثل "إذا أمطرت بالأمس، فقد تمطر اليوم").
جزء الـ MA (المتوسط المتحرك - Moving Average): ينظر إلى "الصدمات" أو المفاجآت الماضية (مثل "حتى لو كان الجو مشمساً اليوم، فإن العاصفة التي حدثت قبل ثلاثة أيام لا تزال تؤثر على السحب").

لقد بنوا نموذج Copula-ARMA. فكر في الأمر كخط تجميع مكون من مرحلتين:

المرحلة الأولى (العملية الكامنة - Latent Process): تولد آلة خفية إشارة "نظيفة" بناءً على التاريخ الماضي (جزء الـ AR).
المرحلة الثانية (التجميع المتحرك - Moving Aggregate): يتم بعد ذلك خلط هذه الإشارة مع بعض "المفاجآت" الأخيرة (جزء الـ MA) لإنتاج المخرج النهائي.

السحر يكمن في أنه يمكنهم استخدام هذه الآلة لمحاكاة النماذج الشهيرة (مثل نموذج Gaussian ARMA القياسي أو نموذج GARCH المستخدم لتقلبات الأسواق المالية) ولكن دون أن يكونوا محاصرين داخل صندوق "التوزيع الطبيعي".

4. الاكتشافات الرئيسية (لحظات "وجدتها!")

مشكلة "الهوية المزدوجة":
عندما اختبروا نسخة محددة من هذا النموذج (تسمى MAG(1))، وجدوا أن لها "هوية مزدوجة"، تشبه لغزاً رياضياً كلاسيكياً.
- تشبيه: تخيل وصفة تقول "اخلط كوبين من الدقيق مع كوب من السكر". يمكنك أيضاً قول "اخلط كوباً من السكر مع كوبين من الدقيق". النتيجة هي نفسها، لكن المكونات قد تبدلت.
- في نموذجهم، يمكن لمجموعتين مختلفتين من المعلمات (Parameters) إنتاج نفس البيانات تماماً. وهذا يجعل من الصعب على الحواسيب تحديد الإعدادات "الحقيقية"، لكن المؤلفين عرفوا كيفية التعامل مع هذا من خلال تقييد الإعدادات في منطقة آمنة.
حد "الذيل":
بحثوا في مدى قدرة النموذج على التعامل مع "الأحداث المتطرفة" (ذيول التوزيع).
- تشبيه: إذا كنت تتنبأ بالفيضانات، فأنت تهتم بالعاصفة التي تحدث مرة كل 100 عام، وليس بالرذاذ المتوسط.
- وجدوا أنه بالنسبة لللب الأساسي لنموذجهم، فإن القدرة على التنبؤ بوقوع حدثين متطرفين معاً محدودة. الأمر يشبه قول: "إذا انهارت البورصة اليوم، فهناك حد لاحتمالية أن تنهار بقوة مرة أخرى غداً". هذه محدودية معروفة لهذا النوع المحدد من "الغراء" قصير الذاكرة.
إعادة إنشاء الكلاسيكيات:
أثبتوا أنه إذا استخدمت نوعاً معيناً من "الغراء" (الـ Gaussian copula)، فإن آلتهم الجديدة تعيد إنتاج النماذج الغاوسية القدة والموثوقة بشكل مثالي. وهذا يعني أن نموذجهم الجديد هو "مجموعة شاملة" للنموذج القديم؛ يمكنه فعل كل ما يستطيع القديم فعله، بل وأكثر من ذلك بكثير.

5. الاختبار الواقعي: التضخم مقابل طاقة الرياح

اختبر المؤلفون آلتهم على مجموعتين مختلفتين تماماً من البيانات:

التضخم في الولايات المتحدة:
- التحدي: التضخم أمر صعب. فهو يتحرك ببطء، لكن القواعد تبدو وكأنها تتغير بمرور الوقت.
- النتيجة: لم يتفوق النموذج الجديد على النماذج القديمة البسيطة. لماذا؟ لأن بيانات التضخم مليئة بالضجيج ويبدو أن "قواعد" الاقتصاد تتغير. كانت النماذج البسيطة قوية بما يكفي للتعامل مع هذا الارتباك، بينما ارتبك النموذج الجديد المعقد بسبب الأنماط المتغيرة.
طاقة الرياح في ألمانيا:
- التحدي: الرياح فوضوية. لديها قفزات ضخمة وفترات طويلة من الهدوء. وهي لا تتبع "منحنى الجرس".
- النتيجة: سحق النموذج الجديد جميع المنافسين. ولأن بيانات الرياح فوضوية وغير خطية، فإن القدرة على فصل "الشكل" (توزيع سرعة الرياح) عن "القصة" (أنماط الرياح) سمحت للنموذج الجديد بالتنبؤ برياح اليوم التالي بدقة أكبر بكثير من النماذج الغاوسية القديمة.

ملخص

بنى المؤلفون مترجماً عالمياً لبيانات السلاسل الزمنية.

النماذج القديمة كانت مثل مترجم يتحدث فقط "الإنجليزية القياسية" (الغاوسية). إذا كنت تتحدث "لغة عامية" أو "لهجة محلية" (بيانات غير غاوسية)، فسيخطئ في فهمك.
هذا النموذج الجديد يمكنه التحدث بأي لهجة. فهو يفصل بين المفردات (شكل البيانات) وبين القواعد (أنماط الوقت).

على الرغم من أنه لم يفز في كل الألعاب (كان التضخم في الولايات المتحدة فوضوياً للغاية)، إلا أنه أثبت أنه أداة متفوقة للظواهر المعقدة في العالم الحقيقي مثل طاقة الرياح، حيث تكون البيانات جامحة، غير خطية، ومليئة بالمفاجآت.

إليك ملخص تقني مفصل لورقة البحث بعنوان "السلاسل الزمنية القائمة على الكوبولا للعمليات المستقرة غير الغاوسية وغير الماركوفية" من إعداد سفين بابيرت وهاري جو.

1. بيان المشكلة

تقتصر نماذج السلاسل الزمنية التقليدية القائمة على الكوبولا عادةً على العمليات الماركوفية من الرتبة $p$ . في هذه النماذج، يتم تفكيك التوزيع المشترك لـ $(p+1)$ من الملاحظات المتتالية إلى "كوبولا" وتوزيع هامشي مستقر. ومع ذلك، تظهر العديد من السلاسل الزمنية في العالم الحقيقي اعتماداً تسلسلياً طويل الأمد (سلوك غير ماركوفي) أو ارتباطاً ذاتياً يتناقص تقاربياً (مثل عمليات ARMA)، وهو ما لا يمكن التقاطه بواسطة بنية ماركوفية ذات أبعاد محدودة.

تعاني المحاولات الحالية لتعميم نماذج الكوبولا لتشمل الذاكرة طويلة الأمد (على سبيل المثال: جو، 2014؛ ماكنيل وبلادت، 2022؛ بابيرت، 2024) من قيود محددة:

التعقيد: تتطلب بعض النهج تحويلات مساعدة تؤدي إلى تعقيد نمذجة الهوامش.
نقص النظرية: افتقرت النماذج السابقة غالباً إلى الاشتقاقات الصارمة لخصائص الاعتماد، أو قابلية التحديد، أو الربط الواضح بالنماذج الخطية الكلاسيكية مثل ARMA وGARCH.
اعتماد الذيل: لم يكن من الواضح ما إذا كانت هذه النماذج المعممة قادرة على التقاط اعتماد الذيل بفعالية في الملاحظات المتتالية.

تهدف الورقة إلى تحليل وتطوير نظرية تعميم Copula-ARMA المقترحة من قبل جو (2014)، والتي تجمع بين عملية كوبولا ذاتية الانحدار (AR) وعملية تجميع متحرك (MA) لكوبولا.

2. المنهجية

يدرس المؤلفون نموذجاً عاماً يتم تعريفه من خلال معادلات التحديث التالية:
$\begin{aligned} U_t &= h(\varepsilon_t, \dots, \varepsilon_{t-q+1}, W_{t-q}) \\ W_t &= g(\varepsilon_t, W_{t-1}, \dots, W_{t-p}) \\ \varepsilon_t &\stackrel{iid}{\sim} U(0, 1) \end{aligned}$
حيث:

$\{W_t\}$ هي عملية كوبولا AR( $p$ ) كامنة مدفوعة بدالة كمية شرطية $g$ مشتقة من AR-copula.
$\{U_t\}$ هي العملية المرصودة المدفوعة بدالة كمية شرطية $h$ مشتقة من MAG-copula (التجميع المتحرك)، والتي تجمع بين العملية الكامنة $W_{t-q}$ والابتكارات (innovations) $q$ .
التوزيع الهامشي لـ $U_t$ هو بطبيعته $U(0, 1)$ ، مما يسمح بتحويل مرن إلى أي توزيع مستقر عبر التحويل الكمي.

الخطوات التحليلية الرئيسية:

الاشتقاق النظري: يستنتج المؤلفون العلاقة الدقيقة بين هذا النموذج غير الخطي والنماذج الغاوسية الخطية (ARMA و GARCH).
تحليل الاعتماد: يبحثون في الخصائص التوزيعية، بما في ذلك الاستقرار، والارغودية (ergodicity)، ومعامل سبيرمان $\rho$ ، ومعاملات اعتماد الذيل لكتلة البناء الأساسية (MAG(1)) وللنموذج الكامل.
التقدير: يطورون خوارزمية تكرارية لتقدير الاحتمال الأقصى (MLE) باستخدام حزمة rvinecopulib في لغة R، ويناقشون شروط اتساق المقدر (ارغودية السلاسل الزمنية للدرجة/score).
المحاكاة والتنبؤ: تُستخدم عمليات محاكاة واسعة لاستكشاف هياكل الاعتماد وقضايا قابلية التحديد. كما أُجريت دراسات تنبؤية من الواقع العملي على التضخم الأمريكي وإنتاج طاقة الرياح في ألمانيا.

3. المساهمات الرئيسية

أ. الربط النظري بـ Gaussian ARMA

تثبت الورقة أنه إذا كانت كوبولات AR و MAG هي غاوسية، فإن العملية المحولة كمياً $Y_t = \Phi^{-1}(U_t)$ تتبع عملية ARMA غاوسية.

عدم تطابق الرتبة: من المهم ملاحظة أن Copula-ARMA( $p, q$ ) بكوبولات غاوسية تستعيد مجموعة جزئية من عملية ARMA( $p, q+p-1$ ) غاوسية. تنشأ مصطلحات MA "الإضافية" من الهيكل المحدد لدوال الكم الشرطية، مما يؤدي إلى تشويه رتبة MA.
استعادة GARCH: يستنتج المؤلفون أشكال كوبولا محددة مطلوبة لاستعادة ديناميكيات ARCH(1) و GARCH(1, 1)، مما يوفر بديلاً غير خطي لنماذج الاعتماد الجزئي اللانهائية المستخدمة في الأدبيات السابقة.

ب. خصائص عملية MAG(1)

تُعرف عملية MAG(1) ( $V_t = h(\varepsilon_t, \varepsilon_{t-1})$ ) بأنها كتلة البناء الأساسية.

حدود الاعتماد: يثبت المؤلفون أنه بالنسبة لـ MAG(1)، فإن القيمة المطلقة لمعامل سبيرمان $\rho$ ومعاملات اعتماد الذيل محصورة في $1/2$ .
قيود اعتماد الذيل: تشير التجارب العددية إلى أنه بالنسبة للكوبولات القياسية (Gaussian, Gumbel, Clayton, t)، فإن اعتماد الذيل في الملاحظات المتتالية لعملية MAG(1) غالباً ما يكون ضئيلاً أو يتلاشى، رغم أن الكوبولا الأساسية تمتلك اعتماد ذيل.
قابلية التحديد: على غرار نماذج MA(1) الكلاسيكية، تمتلك عملية Gaussian-MAG(1) تمثيلين متكافئين (بسبب تبديل الابتكار). تثبت الورقة أن اتساق MLE يتطلب تقييد المعلمات في منطقة تكون فيها العملية قابلة للانعكاس (invertible) (تحديداً $|\alpha| < 1/\sqrt{2}$ للكوبولات الغاوسية).

ج. خوارزميات التقدير والتنبؤ

الاحتمال التكراري: توجد خوارزمية لحساب الاحتمال من خلال استعادة الابتكارات الكامنة ( $\hat{\varepsilon}_t$ ) والحالات الكامنة ( $\hat{W}_t$ ) بشكل تكراري.
التنبؤ الاحتمالي: تم تطوير خوارزمية تنبؤ لإنشاء تنبؤات مئوية لخطوة واحدة للأمام عن طريق تطبيق دالة الكم الشرطية لـ MAG-copula على الحالات الكامنة المقدرة.

4. النتائج

نتائج المحاكاة

الاعتماد: تؤكد عمليات المحاكاة الحد النظري $|\rho| \leq 0.5$ لـ MAG(1).
اعتماد الذيل: بينما الحد الأعلى النظري لاعتماد الذيل هو $0.5$، تظهر عمليات المحاكاة مع الكوبولات "القياسية" معاملات قريبة من الصفر. تحقق كوبولا Fréchet حداً أقصى قدره $0.25$.
قابلية التحديد: بالنسبة لـ Gaussian-MAG(1)، يتم تقليل السلب للوغاريتم الاحتمالي (NLL) عند المعلمة الحقيقية إذا كانت تحت العتبة الحرجة ( $1/\sqrt{2}$ ). إذا كانت المعلمة الحقيقية فوق هذه العتبة، يتم تقليل NLL عند قيمة المعلمة "المعكوسة"، مما يؤكد مشكلة عدم قابلية التحديد والحاجة إلى قيود المعلمات.

دراسات التنبؤ التجريبية

التضخم الأمريكي (ربع سنوي):
- التحدي: تظهر البيانات تغيراً في الاعتماد الزمني، مما يجعل التنبؤ صعباً. غالباً ما كان النموذج البديهي (ARMA(0,0)) هو الأفضل في الأداء في بيانات التحقق، مما يشير إلى عدم الاستقرار.
- النتيجة: تفوق نموذج Gaussian-ARMA(4,1) عموماً على نماذج الكوبولا من حيث NLL و CRPS في مجموعة الاختبار. لم يؤدِ مرونة التوزيع الهامشي (KDE مقابل التوزيع الطبيعي) إلى تحسين الأداء بشكل كبير، ويرجع ذلك على الأرجح إلى صغر حجم العينة (244 ملاحظة).
طاقة الرياح الألمانية (يومي):
- النتيجة: تفوقت نماذج Copula-ARMA (CoARMA) ونماذج كوبولا ماركوف على نماذج Gaussian-ARMA القياسية.
- التوزيع الهامشي: أدى استخدام تقدير كثافة النواة (KDE) للتوزيع المستقر إلى تحسين دقة التنبؤ بشكل كبير مقارنة بافتراض التوزيع الطبيعي.
- الخطية: يشير الأداء القوي لكوبولا Normal إلى أن إنتاج طاقة الرياح يهيمن عليه الاعتماد الزمني الخطي، ولكن نمذجة الهامش غير الغاوسي (KDE) وفرت المرونة اللازمة لتحقيق ملاءمة أفضل.

5. الأهمية والخاتمة

توفر هذه الورقة أساساً نظرياً صارماً لنماذج Copula-ARMA، مما يسد الفجوة بين نمذجة الكوبولا غير الخطية ونظرية السلاسل الزمنية الخطية الكلاسيكية.

التعميم: نجحت الورقة في تعميم نماذج ARMA و GARCH إلى المجال غير الغاوسي وغير الماركوفي مع الحفاظ على توزيع مستقر موحد دون تحويلات مساعدة معقدة.
الفائدة العملية: تتيح الخوارزميات المقترحة التقدير والتنبؤ الاحتمالي العملي. وتظهر النتائج التجريبية أنه بينما قد تكفي النماذج الخطية لبعض السلاسل (مثل التضخم الأمريكي مع البيانات المحدودة)، فإن نماذج Copula-ARMA تقدم أداءً فائقاً للسلاسل ذات التوزيعات الهامشية المعقدة والبيانات الكافية (مثل طاقة الرياح).
القيود والعمل المستقبلي: تسلط الورقة الضوء على أن اعتماد الذيل في الملاحظات المتتالية مقيد في بنية MAG(1) الأساسية. تشمل اتجاهات البحث المستقبلية ترجمة شروط الارغودية عالية المستوى إلى قيود محددة على معاملات الكوبولا وتطبيق النموذج على السلاسل ذات الديناميكيات غير الخطية القوية.

باختدال، تصادق هذه الدراسة على إطار عمل Copula-ARMA كأداة مرنة وقوية لنمذجة السلاسل الزمنية المعقدة، بشرط احترام قيود قابلية التحديد واستخدام تقنيات نمذجة الهامش المناسبة (مثل KDE).