Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study
تُظهر هذه الدراسة المنهجية للتعلم العميق أنه بالنسبة للتنبؤ بنظام العملات المشفرة، فإن الشبكات العصبية التلافيفية (CNNs) البسيطة المكونة من 4 طبقات والمدرّبة على مخططات الشموع اليابانية الخام ذات الدقة المنخفضة تتفوق على البنيات المعقدة سابقة التدريب وطرق ترميز الصور المتقدمة، محققةً مساحة تحت منحنى خصائص تشغيل المستقبِل (AUC-ROC) تبلغ 0.892 مع الاستفادة بشكل كبير من نقل التعلم من قاعدة بيانات ImageNet.
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. لقرون، كان البحارة والمزارعون ينظرون إلى السماء، والغيوم، والرياح لتخمين ما إذا كانت عاصفة قادمة. لم يكونوا بحاجة إلى حاسوب خارق؛ بل كانوا يحتاجون فقط إلى "رؤية" الأنماط.
تطرح هذه الورقة سؤالاً مشابهاً حول سوق الأسهم والعملات الرقمية: هل يمكننا تعليم الكمبيوتر أن "يرى" السوق تماماً كما يفعل المتداول البشري؟
بدلاً من تغذية الكمبيوتر بأرقام خام (مثل "بيتكوين بـ 50,000 دولار")، قام الباحثون بتغذيته بـ صور للسوق — وتحديداً الرسوم البيانية للشموع اليابسة (candlestick charts) الملونة التي ينظر إليها المتداولون كل يوم. أرادوا معرفة ما إذا كان بإمكان الكمبيوتر النظر إلى هذه الصور وتخمين ما إذا كان السوق على وشك الصعود (نظام "الثور" - Bull) أو الهبوط (نظام "الدب" - Bear).
إليك ما اكتشفوه، مقسماً إلى قصص بسيطة:
1. "الصورة الخام" مقابل "الفن الرياضي"
جرب الباحثون طريقتين لتحويل بيانات السوق إلى صور:
- الصورة الخام: رسم بياني قياسي للشموع اليابسة (الأعمدة الحمراء والخضراء التي تراها في المواقع الإخبارية).
- الفن الرياضي: صورة تجريدية معقدة يتم إنشاؤها عن طريق تحويل الأرقام إلى شبكة من الزوايا والمجاميع (تسمى مجالات زاوية جراميان - Gramian Angular Fields).
النتيجة: كان الكمبيوتر سيئاً في التعامل مع "الفن الرياضي". لقد أصابه الارتباك. ومع ذلك، كان جيداً جداً في التعامل مع "الصورة الخام".
- التشبيه: الأمر يشبه محاولة التعرف على كلب. إذا عرضت على طفل صورة حقيقية لكلب، سيعرفه فوراً. أما إذا عرضت عليه معادلة رياضية معقدة تصف كلباً، فلن يعرف ما هو. تعلم الكمبيوتر أن الصورة البسيطة والمألوفة هي المفتاح.
2. تقليل الفوضى هو الأفضل
غالباً ما يضيف المتداولون خطوطاً إضافية إلى رسوماتهم البيانية: أعمدة حجم التداول، والمتوسطات المتحركة، و"بولينجر باندز" (التي تشبه شبكة أمان حول السعر). اختبر الباحثون ما إذا كان إضافة هذه الخطوط الإضافية سيساعد الكمبيوتر.
النتيجة: إضافة خطوط إضافية أدى في الواقع إلى إضعاف أداء الكمبيوتر. الرسوم البيانية الأكثر بساطة — التي تتكون فقط من شموع الأسعار دون أي رسومات إضافية — كانت هي الأفضل.
- التشبيه: تخيل أنك تحاول قراءة لافتة شارع في مدينة ضبابية. إذا كانت اللافتة نظيفة وبسيطة، فستقرؤها بسهولة. أما إذا قام شخص ما برسم 50 سهماً إضافياً، وكتابات غرافيتي، وإعلانات فوق اللافتة، فلن تتمكن من رؤية الاتجاه بعد الآن. لقد تشتت انتباه الكمبيوتر بسبب "الفوضى البصرية".
3. العقول الصغيرة تهزم العقول الكبيرة
في عالم الذكاء الاصطناوي، "الأكبر" يعني عادةً "الأفضل". اختبر الباحثون "دماغاً" حاسوبياً صغيراً وبسيطاً (شبكة عصبية صغيرة) مقابل نماذج ضخمة ومشهورة (مثل ResNet و Vision Transformers) التي تُستخدم عادةً للتعرف على القطط والسيارات.
النتيجة: الدماغ الصغير والبسيط هو الذي فاز. النماذج الضخمة والمعقدة فشلت لأنها حاولت حفظ كمية البيانات الصغيرة التي أُعطيت لها، بدلاً من تعلم الأنماط الفعلية.
- التشبيه: فكر في شيف محترف (النموذج الكبير) يحاول طهي شطيرة جبن مشوية بسيطة باستخدام وصفة مكونة من 50 صفحة. سيبالغ في التفكير ويحرق الخبز. أما الطباخ المنزلي (النموذج الصغير) الذي يتبع وصفة بسيطة، فسيصنع الشطيرة المثالية. أحياناً، لا تحتاج إلى حاسوب خارق؛ بل تحتاج فقط إلى أداة بسيطة تناسب المهمة.
4. "عجلات التدريب" قد نجحت
جرب الباحثون استخدام "التعلم بنقل الخبرة" (Transfer Learning). هذا يشبه أخذ كمبيوتر تم تدريبه بالفعل على التعرف على ملايين الصور للكلاب والسيارات والأشجار (من الإنترنت) وطلب منه النظر إلى الرسوم البيانية للأسهم.
النتيجة: على الرغم من أن الرسوم البيانية للأسهم لا تشبه الكلاب أو الأشجار، إلا أن الكمبيوتر لا يزال يتعلم بشكل أسرع وأداء أفضل.
- التشبيه: تخيل تعليم شخص خبير بالفعل في رصد الأشكال في السحب، كيف يرصد الأشكال في لعبة جديدة. على الرغم من أن السحب ليست جزءاً من اللعبة، إلا أن قدرته على "رصد الأشكال" تساعده على تعلم اللعبة الجديدة بشكل أسرع بكثير. استخدم الكمبيوتر مهاراته في "إيجاد الأشكال" لفهم الرسوم البيانية.
5. البيتكوين مقابل البقية
كان الكمبيوتر بارعاً في التنبؤ بالبيتكوين، وجيداً في الإيثيريوم، وسيئاً جداً في مؤشر S&P 500 (الأسهم التقليدية).
النتيسة: بدت الرسوم البيانية للبيتكوين ذات أنماط أكثر وضوحاً واتساقاً من سوق الأسهم.
- التشبيه: البيتكوين مثل ساحة رقص فوضوية حيث يتحرك الجميع على نفس الإيقاع الصاخب، مما يجعل التنبؤ بالحركة التالية أمراً سهلاً. أما سوق الأسهم فهو مثل مكتبة هادئة حيث يهمس الناس بأشياء مختلفة؛ مما يجعل سماع نمط معين أمراً صعباً للغاية.
"الرؤية بالأشعة السينية" (ماذا رأى الكمبيوتر)
أخيراً، استخدم الباحثون أداة خاصة تسمى GradCAM لمعرفة أين كان الكمبيوتر ينظر في الرسم البياني.
- وجدوا أن الكمبيوتر ركز على الشموع الأخيرة (الجانب الأيمن من الرسم البياني).
- أولى اهتماماً خاصاً للشموع الكبيرة والجريئة (الأيام التي شهدت تقلبات سعرية ضخمة).
- لاحظ عندما يتغير اللون من الأخضر إلى الأحمر (انعكاس الاتجاه).
الاستنتاج: لم يكن الكمبيوتر يخمن عشوائياً فحسب. لقد كان ينظر إلى نفس الأشياء التي يبحث عنها المتداولون البشر: الزخم الأخير وتحركات الأسعار الكبيرة.
الخلاصة
تخلص الورقة إلى أن البساطة هي التي تفوز. للتنبؤ باتجاهات السوق باستخدام الصور:
- استخدم رسوماً بيانية بسيطة وخام للشموع اليابسة (بدون مؤشرات إضافية).
- استخدم نموذجاً حاسوبياً صغيراً وبسيطاً.
- لا تبالغ في تعقيد دقة الصورة (Resolution).
- توقع نتائج أفضل في العملات الرقمية مقارنة بالأسهم التقليدية.
يحذر المؤلفون من أن هذه مجرد نقطة بداية. فقد استخدموا كمية محدودة نسبياً من البيانات (حوالي 500 عينة)، والتداول في العالم الحقيقي يتضمن رسوماً ومخاطر لم تختبرها هذه الدراسة بشكل كامل. لكن الرسالة الجوهرية واضحة: أحياناً، الطريقة الأبسط لرؤية المستقبل هي مجرد النظر إلى الصورة بوضوح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.