ملخص تقني: الأهمية الإحصائية لإدراج الشبكات العصبية الرسومية في التنبؤ بالسلاسل الزمنية المالية

بيان المشكلة

يعد التنبؤ بالسلاسل الزمنية أحادية المتغير في الأسواق المالية تحدياً متأصلاً نظراً لضجيج البيانات والطبيعة العشوائية لأصول الأصول. وبينما توجد نماذج إحصائية عديدة (مثل ARIMA) ونماذج تعلم عميق (مثل RNNs، وTransformers، وTCNs)، إلا أنها تركز بشكل أساسي على تحليل الأنماط الزمنية داخل البيانات، وغالباً ما تغفل الأنماط الهندسية المتأصلة في بنية السلسلة الزمنية. علاوة على ذلك، تفتقر الدراسات المقارنة السابقة غالباً إلى التحليل الإحصائي الصارم للتحقق من تحسن الأداء، وتفشل في كثير من الأحيان في تحديد ما إذا كانت الفروق الملحوظة ذات دلالة إحصائية وفقاً للمعايير الراسخة. يعالج هذا البحث هذه الفجوة من خلال استقصاء ما إذا كان إدراج الأنماط الهندسية، التي يتم التقاطها عبر الشبكات العصبية الرسومية (GNNs)، يؤدي إلى تحسينات ذات دلالة إحصائية في دقة التنبؤ بالسلاسل الزمنية المالية أحادية المتغير.

المنهجية

إطار العمل الزمني-الهندسي

يقترح المؤلفون النموذج الزمني-الهندسي (Time-Geometric model)، وهو بنية هجينة مصممة لاستغلال كل من الأنماط الزمنية والهندسية. يتكون النموذج من ثلاثة مكونات رئيسية:

1. بناء مخطط الرؤية (Visibility Graph Construction): يكمن الابتكار الجوهري في تحويل السلسلة الزمنية أحادية المتغير إلى تمثيل رسومي باستخدام خوارزمية مخطط الرؤية (Visibility Graph). تقوم هذه الطريقة برسم نقاط بيانات السلسلة الزمنية كعقد وتأسيس حواف بناءً على رؤية خط البصر بين النقاط. يحافظ هذا التحويل على الخصائص الهيكلية، مما يسمح للنموذج بتمييز ما إذا كانت السلسلة الأساسية دورية، أم عشوائية، أم كسورية (fractal). ويتم ترميز الرسم الناتج كمصفوفة مجاورة ($A_t$).
2. المكون الزمني (Time Component): يعالج هذا المكون مصفوفة الميزات ($X_t$) التي تحتوي على الملاحظات التاريخية (مثل: سعر الفتح، الأعلى، الأدنى، الإغلاق، وحجم التداول) باستخدام بنيات عصبية قياسية. وتقيم الدراسة نماذج مرجعية متنوعة تشمل LSTM، وGRU، وRNN، وBiLSTM، وBiGRU، وTransformers، وTCNs.
3. المكون الهندسي (Geometric Component): يعالج هذا المكون مصفوفة المجاورة ($A_t$) ومصفوفة الميزات ($X_t$) باستخدام الشبكات العصبية التلافيفية الرسومية (GCNs) لاستخراج الأنماط الهندسية. وتتم معالجة مخرجات طبقات GCN لاحقاً بواسطة طبقة LSTM لالتقاط التبعيات الزمنية داخل الأنماط الهندسية.
4. المكون كامل الاتصال (Fully Connected Component): يتم جمع الأنماط الزمنية من المكون الزمني والأنماط الهندسية من المكون الهندسي (ويمكن دمجها اختيارياً مع الميزات الأصلية عبر وصلة تخطي/skip connection) وتمريرها عبر شبكة كاملة الاتصال لتوليد التنبؤ النهائي.

الإعداد التجريبي

• مجموعة البيانات: تستخدم الدراسة 90 سلسلة زمنية أحادية المتغير تمثل المكونات في مؤشر Standard & Poor 100 (S&P100). تتضمن البيانات ملاحظات يومية لأسعار الإغلاق، والفتح، والأعلى، والأدنى، وحجم التداول من يناير 2015 إلى يونيو 2023.
• التقييم: يتم تقييم النماذج عبر ثلاثة آفاق زمنية للتنبؤ: يومي (يوم واحد)، أسبوعي (5 أيام)، وشهري (20 يوماً).
• المقاييس: يُقاس الأداء باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومتوسط الخطأ المطلق المقياس (MASE).
• التحليل الإحصائي: لتحديد الأهمية، يستخدم المؤلفون:
  • المقارنات الثنائية: اختبارات t للعينات المرتبطة (Paired t-tests)، واختبار ويلكوكسون لدرجة الرتبة الموقعة (Wilcoxon signed-rank tests)، واختبارات الإشارة (Sign tests) لمقارنة النماذج المرجعية مع نظائرها "الزمنية-الهندسية".
  • المقارنات المتعددة: اختبار فريدمان (Friedman test) يليه اختبار نيميني (Nemenyi post-hoc test) لترتيب جميع الخوارزميات في آن واحد والتحكم في أخطاء النوع الأول (Type I errors).

النتائج الرئيسية

الأداء العددي

يُظهر النموذج الزمني-الهندسي بشكل عام أداءً محسناً مقارنة بالنماذج المرجعية، لا سيما عندما يكون النموذج المرجعي يستخدم بنيات Transformer أو TCN. بالنسبة لتنبؤات اليوم الواحد، حقق النموذج الزمني-الهندسي الذي يدمج TCN (المسمى TG(TCN)) أدنى متوسط لـ RMSE (1.1420) وMAPE (0.5658)، متفوقاً بشكل كبير على نموذج TCN المرجعي. ومع ذلك، فإن حجم التحسن يختلف باختلاف المقياس وبنية النموذج؛ فعلى سبيل المثال، كانت التحسينات أقل وضوحاً أو غير متسقة لبعض النماذج المرجعية القائمة على RNN اعتماداً على مقياس الخطأ المحدد المستخدم.

الأهمية الإحصائية

يكشف التحليل الإحصائي أن أهمية إدراج الأنماط الهندسية تعتمد على المقياس وتعتمد على الأفق الزمني:

• الاعتماد على المقياس: في المقارنات الثنائية، أظهرت نماذج مثل $\Delta$-Transformer و$\Delta$-TCN اتساقاً في الدلالة الإحصائية (رفض الفرضية الصفرية) عبر جميع المقاييس لتنبؤات اليوم الواحد. وعلى العكس من ذلك، قبلت نماذج مثل $\Delta$-RNN الفرضية الصفرية لعدة مقاييس، مما يشير إلى أن إدراج الهندسة لم يحسن الأداء إحصائياً لهذا النموذج المرجعي المحدد تحت تلك المقاييس.
• الاعتماد على الأفق الزمني: تتغير الدلالة الإحصائية للنتائج مع تغير أفق التنبؤ. بالنسبة لتنبؤات 5 أيام و20 يوماً، يتباين اتساق الرفض الإحصائي، مما يشير إلى أن فائدة الأنماط الهندسية قد تتغير مع امتداد نافذة التنبؤ.
• المقارنات المتعددة: أكدت اختبارات فريدمان ونيميني وجود فروق ذات دلالة إحصائية بين مجموعة كافة الخوارزميات. وغالباً ما حققت النماذج الزمنية-الهندسية رتباً متوسطة متفوقة، لا سيما لأفق الـ 5 أيام حيث قدمت نماذج TG(BILSTM) وTG(GRU) أداءً ملحوظاً.

الادعاءات والأهمية

يدعي البحث أنه يطور مجال التنبؤ بالسلاسل الزمنية أحادية المتغير من خلال:

1. تقديم النموذج الزمني-الهندسي: إطار عمل مبتكر يدمج الشبكات العصبية الرسومية الديناميكية مع الشبكات العصبية للزمن المرجعية عبر مخططات الرؤية.
2. تقديم تحقق إحصائي صارم: على عكس العديد من الدراسات السابقة التي تعتمد فقط على متوسط مقاييس الأداء، يطبق هذا البحث اختبارات فرضية إحصائية واسعة النطاق (مقارنات ثنائية ومتعددة) عبر 90 مجموعة بيانات مالية.
3. إثبات الأهمية الشرطية: يخلص المؤلفون إلى أن الاستفادة من الأنماط الهندسية تؤدي إلى تحسينات ذات دلالة إحصائية في دقة التنبؤ، لكنهم يشيرون صراحة إلى أن هذه الأهمية مشروطة باختيار مقياس التقييم وأفق التنبؤ.

لا يدعي البحث أن الأنماط الهندسية تتفوق عالمياً على الأنماط الزمنية في جميع السيناريوهات. بدلاً من ذلك، يفترض أن إدراج المعلومات الهندسية يوفر تعزيزاً يمكن التحقق منه إحصائياً في سياقات محددة، خاصة عند الجمع مع بنيات تعلم عميق معينة مثل Transformers وTCNs. ويُقترح كعمل مستقبلي استكشاف سلوك مقاييس التقييم وأهمية الأنماط الهندسية عبر مجموعات بيانات سلاسل زمنية أكثر تنوعاً خارج المجال المالي.