Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis
تقارن هذه الورقة بين نماذج قياسية اقتصادية، ونماذج تعلم آلي كلاسيكية، ونماذج تعلم عميق متنوعة للتنبؤ بمنحنى عائد الخزانة الأمريكي على مدار 47 عاماً، لتجد أن نماذج ARIMA التقليدية والنماذج المرجعية الساذجة تتفوق عموماً على الخوارزميات المتقدمة، مع كون TimeGPT وLGBM والشبكات العصبية المتكررة (RNNs) هي الأساليب الأكثر أداءً في مجال التعلم الآلي.
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 أن منحنى العائد (Yield Curve) هو بمثابة "توقعات الطقس" للاقتصاد بأكجمله. تماماً كما ينظر المزارع إلى السماء ليقرر متى يزرع، ينظر المصرفيون والمستثمرون والحكومة إلى منحنى العائد (أسعار الفائدة على اقتراض المال عبر فترات زمنية مختلفة) ليقرروا كيفية الاستثمار وإدارة المخاطر. ولأن سوق السندات ضخم للغاية — أكبر من سوق الأسهم — فإن الحصول على هذا التوقع بشكل صحيح يعد أمراً بالغ الأهمية.
هذه الورقة البحثية تطرح سؤالاً بسيطاً: في سباق التنبؤ بأسعار الفائدة هذه، من يفوز؟
هل هم الخبراء التقليديون (الرياضيات والإحصاء الكلاسيكي)، أم علماء البيانات العصريون (تعلم الآلة التقليدي)، أم عمالقة الذكاء الاصطناعي (التعلم العميق والشبكات العصبية)؟
إليك تفاصيل "سباقهم"، مشروحاً ببساة:
المتسابقون
الخبراء التقليديون (الاقتصاد القياسي):
- النجم: ARIMA. تخيله كجد وقور وموثوق راقب الطقس لمدة 47 عاماً. هو لا يستخدم أدوات متطورة؛ بل ينظر فقط إلى نمط الأيام القليلة الماضية ويفترض أن الغد سيكون مشابهاً لها.
- المعايير الساذجة (Naive Benchmarks): هؤلاء هم "المشككون". يقولون: "لماذا التخمين؟ افترض فقط أن الغد سيكون تماماً مثل اليوم". ومن المثير للدهشة أن هذا التخمين البسيط غالباً ما يكون من الصعب جداً التغلب عليه.
علماء البيانات العصريون (تعلم الآلة الكلاسيكي):
- الفريق: Random Forests، XGBoost، وLGBM. تخيلهم كلجنة من المحللين الأذكياء الذين ينظرون إلى كومة ضخمة من البيانات التاريخية ويحاولون إيجاد قواعد معقدة للتنبؤ بالمستقبل. إنهم يشبهون مجموعة من المحققين يحاولون حل لغز.
عمالقة الذكاء الاصطناعي (التعلم العميق):
- الفريق: Transformers، RNNs، TimeGPT، وغيرهم. هؤلاء هم نماذج الذكاء الاصطناعي "العبقرية".
- TimeGPT يشبه "المتعلم الخارق" الذي قرأ ملايين التقارير الجوية المختلفة من جميع أنحاء العالم قبل أن يرى بياناتك الخاصة. إنه "نموذج تأسيسي" يعرف الكثير بالفعل.
- الآخرون (مثل PatchTST وInformer) يشبهون "طلاباً متخصصين" يحاولون تعلم قواعد طقسك الخاص من الصفر، فقط من خلال النظر إلى بياناتك.
- الفريق: Transformers، RNNs، TimeGPT، وغيرهم. هؤلاء هم نماذج الذكاء الاصطناعي "العبقرية".
ظروف السباق
لم يكتفِ الباحثون بإجراء اختبار سريع؛ بل أجروا ماراثوناً على مدى 47 عاماً من البيانات اليومية (تغطي ستة أنواع مختلفة من حالات الركود الاقتصادي). وقد اختبروا النماذج بطريقتين:
- النافذة المنزلقة (Sliding Window): مثل كاميرا تنظر فقط إلى آخر 4 سنوات من البيانات، ثم تنزلق 5 أيام للأمام وتنظر مجدداً.
- النافذة الموسعة (Expanding Window): مثل كاميرا تستمر في إضافة المزيد من التاريخ إلى عدستها، بحيث ترى في النهاية تاريخ الـ 47 عاماً كاملاً.
كما اختبروا أيضاً ما إذا كانت النماذج تعمل بشكل أفضل على البيانات "المنسابة" (المستقرة) أو البيانات الخام غير المنتظمة (غير المستقرة).
النتائج: من الفائز؟
1. الخبراء التقليديون يحصدون الذهب
كان الفائز، بفارق مريح، هو التنبؤ الساذج (افتراض أن الغد مثل اليوم) ونموذج ARIMA.
- لماذا؟ تشير الورقة إلى أن أسعار الفائدة تشبه بحيرة هادئة. في معظم الأيام، لا يتغير مستوى الماء كثيراً. وفقط عندما تضرب عاصفة (تغيير في السياسة أو صدمة اقتصادية) يصبح الأمر جنونياً. ولأن البحيرة هادئة عادةً، فإن أبسط تخمين ("سيكون الوضع كما هو اليوم") غالداً ما يكون الأكثر دقة. كانت نماذج الذكاء الاصطناعي المعقدة تحاول البحث عن أنماط في المياه الهادئة لم تكن موجودة، مما جعلها في الواقع أقل دقة.
2. عمالقة الذكاء الاصطناعي يعانون
رغم كونهم "التكنولوجيا الجديدة الساخنة"، إلا أن نماذج التعلم العميق (Transformers، RNNs، إلخ) لم تتفوق عموماً على الرياضيات التقليدية.
- كان TimeGPT هو الأفضل بين مجموعة الذكاء الاصطناعي، ربما لأنه شاهد الكثير من البيانات مسبقاً (مثل المتعلم الخارق).
- أما الآخرون فقد أخفقوا في الأداء غالباً. وتشير الورقة إلى أنهم قد يكونون قد وقعوا في فخ "الفرط في التخصيص" (Overfitting)—أي أنهم قاموا بحفظ "الضجيج" في البيانات بدلاً من تعلم القواعد الفعلية، مما أثر على قدرتهم على التنبؤ بالمستقبل.
3. الاستثناء الوحيد
كانت هناك فترة زمنية واحدة محددة (أحدث "كتلة زمنية" في الدراسة) حيث تمكن نموذج يسمى PatchTST (باستخدام نافذة موسعة على بيانات غير منتظمة) من التفوق قليًلاً على الأساليب التقليدية. ومع ذلك، كان الفرق ضئيلاً جداً (أقل من 0.1%)، لذا فهو ليس انتصاراً واضحاً.
الخلاصة الكبرى
تخلص الورقة إلى أنه بالنسبة للتنبؤ بأسعار فائدة الخزانة الأمريكية، فإن البساطة هي الأفضل.
- "الجد" (ARIMA) و "المشكك" (التنبؤ الساذج) لا يزالان أفضل الأدوات لهذه المهمة.
- نماذج الذكاء الاصطناعي المبهرة لم تثبت قدرتها على أداء عمل أفضل من هذه الأساليب البسيطة في هذه المشكلة تحديداً.
- أحياناً، يساعد وجود "متعلم خارق" (TimeGPT)، ولكن حتى في هذه الحالة، لم يهزم الرياضيات البسيطة.
باختصار: عندما يتعلق الأمر بالتنبؤ بأسعار الفائدة، فأنت لا تحتاج إلى روبوت ذكاء اصطناعي من أفلام الخيال العلمي. غالباً ما تحتاج فقط إلى آلة حاسبة موثوقة وقاعدة بسيطة: "الغد سيبدو على الأرجح مشابهاً لليوم".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.