Time Series Forecasting based on Solana Digital Asset Dataset
تقدم هذه الورقة أول مجموعة بيانات شاملة للسلاسل الزمنية للأصول الرقمية على شبكة سولانا (Solana) تغطي الفترة من مارس 2024 إلى مارس 2025، مستخدمة إياها لتوصيف ديناميكيات السوق على مستوى المنظومة مدفوعة بنشاط البورصات اللامركزية (DEX) وسعر عملة SOL، مع التحقق من فائدتها التنبؤية من خلال نماذج التنبؤ المتطورة مثل PatchTST.
المؤلفون الأصليون:Yufeng Xiao, Minxing Wang, Pavel Braslavski, Dmitry I. Ignatov
في الاقتصاد الرقمي الواسع للعملات المشفرة، لا تنتقل القيمة عبر البنوك أو الخزائن، بل عبر سجلات عامة تسجل كل معاملة بتوقيت دقيق. ويهيمن على هذا العالم نوعان متميزان من النشاط: تداول الأصول الكبرى في البورصات المركزية، والتي تعمل مثل أسواق الأسهم التقليدية، والتداول اللامركزي المحموم الذي يحدث مباشرة على شبكات البلوكشين. وقد برزت "سولانا" (Solana)، وهي إحدى هذه الشبكات، كطريق سريع عالي السرعة لهذه الأصول الرقمية، قادرة على معالجة آلاف المعاملات في الثانية بتكلفة ضئيلة. وخلافًا للأنظمة القديمة حيث يمكن أن تكون البيانات غامضة أو متأخرة، فإن بنية "سولانا" تترك أثرًا كاملاً ومؤرخًا لكل رحلة رمز رقمي، من لحظة إنشائه إلى صفقة تداوله النهائية. إن فهم كيفية ارتفاع وانخفاض قيمة هذه الرموز الرقمية يمثل تحديًا حيّر المحللين لفترة طويلة، ويرجع ذلك أساسًا إلى أن السوق مدفوع بمزيج فوضوي من سلوك المتداولين الأفراد، والأخبار المفاجئة، والصحة العامة للشبكة نفسها. والسؤال الذي لطالما طرحه الباحثون هو ما إذا كان من الممكن التنبؤ بالسعر المستقبلي لهذه الأصول من خلال النظر في أنماط الشبكة التي تقطنها، بدلاً من مجرد النظر في تاريخ الأصل نفسه.
لقد اتخذ فريق من الباحثين خطوة كبيرة نحو الإجابة على ذلك من خلال بناء أول مجموعة بيانات شاملة مصممة خصيصًا لتتبع الحياة اليومية لرموز "سولانا". فقد جمعوا معلومات عن 1,584 رمزًا مختلفًا، وراقبونها يوميًا من مارس 2024 إلى مارس 2025. وهذا الجمع ليس مجرد قائمة بالأسعار؛ بل هو نسيج غني يضم 27 متغيرًا مختلفًا لكل رمز، بما في ذلك عدد الأشخاص الذين يشترون أو يبيعون، وإجمالي حجم التداولات، ومقدار الأموال الموجودة في أحواض السيولة، وسعر عملة شبكة "سولانا" الأساسية. ومن خلال نسج هذه التفاصيل الخاصة بالرموز مع إشارات النظام البيئي الأوسع، خلق الباحثون نافذة على سوق ينمو بسرعة ويتغير بسرعة. ولم يكن هدفهم مجرد بناء أداة تنبؤ أفضل، بل فهم السلوك الفعلي لهذا النظام البيئي الرقمي خلال فترة من التوسع المكثف.
وكشف تحليل هذه البيانات أن السوق لا يتحرك بمعزل عن غيره. فقد حدد الباحثون لحظتين متميزتين من النشاط المتزامن حيث بدا النظام البيئي بأكمله وكأنه يتنفس في انسجام واحد: واحدة في منتصف نوفمبر 2024 والأخرى في منتصف يناير 2025. وخلال ذروتي النشاط هاتين، ارتفعت أحجام التداول، وعدد المحافظ النشطة، وعدد المتداولين الجدد جميعها في وقت واحد عبر الشبكة. وتزامنت الذروة الثانية، التي حدثت في يناير 2025، مع إطلاق رمز محدد مرتبط برئيس سابق للولايات المتحدة، وهو حدث أثار موجة هائلة من المضاربة. وأظهرت البيانات نمطًا واضحًا من السلوك قبل هذا الحدث: حيث كان المستثمرون يجمعون السيولة، ويضخون الأموال في الأحواض، ليشرعوا في سحب أموالهم بعد الذروة بوقت قصير. ويشير هذا إلى أن مصير الرموز الفردية مرتبط بعمق بالمزاج العام لسوق "سولانا" ومستويات النشاط في بورصاتها اللامركزية، بدلاً من الوجود ككيانات منفصلة ومعزولة.
ولاختبار ما إذا كانت هذه البيانات التفصيلية يمكن أن تساعد فعليًا في التنبؤ، أجرى الباحثون سلسلة من تجارب التنبؤ. فقد طلبوا من نماذج حاسوبية مختلفة التنبؤ بالقيمة السوقية لهذه الرموز بعد ثلاثة أيام من الآن. وأظهرت النتائج أنه بينما يمكن للنماذج الإحصائية البسيطة التي تعتمد على الأنماط المتكررة أن تعمل بشكل جيد لبعض الرموز المستقرة، إلا أنها واجهت صعوبة في التعامل مع التقلبات الجامحة لهذا النظام البيئي. وكان النهج الأكثر نجاحًا هو نموذج تعلم عميق يسمى "PatchTST"، والذي تفوق في تحديد الاتجاهات المعقدة وغير المتكررة في البيانات. كما قدم نموذج يعتمد على إطار عمل لغوي مدرب مسبقًا، عند تعديله بعناية ليتناسب مع البيانات المحددة، أداءً يقارب جودة النموذج الأول. وتشير هذه النتائج إلى أن مجموعة البيانات تحتوي على إشارات حقيقية قصيرة المدى يمكن استخدامها للتنبؤ بتحركات السوق، بشرط أن يكون النموذج متطورًا بما يكفي للتعامل مع التقلبات.
وقد كشف المزيد من التحقيق في كيفية اتخاذ هذه النماذح لقراراتها عما يحرك التنبؤات حقًا. فلم تكن العوامل الأكثر أهمية هي مجرد تاريخ رمز واحد، بل الصحة العامة للشبكة. فكان سعر "سولانا" نفسها، ومتوسطاتها المتحركة، وإجمالي حجم التداولات عبر نظام البورصة اللامركزية بأكمله، وعدد أزواج التداول الجديدة التي يتم إنشاؤها، كلها مؤشرات حاسمة. وهذا يؤكد أنه في هذا الاقتصاد الرقمي، يتأثر سعر رمز معين بشدة بالسلوك الجماعي للسوق بأكمله. وتخلص الدراسة إلى أنه من خلال الجمع بين بيانات الرموز التفصيلية وإشارات النظام البيئي الشاملة، يمكن بناء صورة أوضح لديناميكيات السوق. ويقدم هذا العمل أساسًا جديدًا لفهم كيفية سلوك الأصول الرقمية، مما يوفر وسيلة للتمييز بين الضجيج العشوائي والتحولات السوقية ذات المعنى في بيئة غالبًا ما يصعب التنقل فيها.
ملخص تقني: التنبؤ بالسلاسل الزمنية بناءً على مجموعة بيانات الأصول الرقمية لشبكة سولانا (Solana)
بيان المشكلة يمثل التنبؤ الدقيق بالأصول الرقمية على بلوكشين سولانا تحديات فريدة بسبب التقلبات العالية في المنظومة، والتحولات السريعة في الأنظمة (regime shifts)، وانتشار سيناريوهات "البداية الباردة" (cold start) حيث تفتقر الرموز المميزة (tokens) التي أُطلقت حديثاً إلى البيانات التاريخية. غالباً ما تعاني طرق التنبؤ بالسلاسل الزمنية التقليدية من الطبيعة غير المستقرة (non-stationary) لأسعار العملات المشفرة ومن ندرة البيانات الخاصة بكل أصل على المدى الطويل. علاوة على ذلك، تعتمد الأبحاث الحالية بشكل متكرر على بيانات المنصات المركزية (CEX) أو الميزات الخاصة ببيتكوين وإيثيريوم، متجاهلة البنية الدقيقة المتميزة لبيئة البورصات اللامركزية (DEX) في سولانا وتغطيتها الغنية للبيانات عن بُن بعد المسافة (on-chain telemetry). هناك نقص في مجموعات البيانات المنسقة التي تلتقط في آن واحد سلوك الرمز المميز (المعاملات، السيولة) ونشاط البورصة اللامركزية على مستوى المنظومة لتحليل كيفية انتقال معنويات السوق الأوسع إلى الأصول الفردية.
المنهجية تقدم الدراسة مجموعة بيانات منسقة ومبتكرة وتستخدم إطار عمل للمقارنة بين نماذج التنبؤ للتحقق من محتوى الإشارة الخاص بها.
بناء مجموعة البيانات: قام المؤلفون بتجميع مجموعة بيانات سلاسل زمنية تضم 1,584 رمزاً مميزاً من شبكة سولانا تم رصدها يومياً من 24 مارس 2024 إلى 16 مارس 2025. تتضمن مجموعة البيانات 27 متغيراً لكل رمز، تدمج بين:
مقاييس مستوى الرمز المميز: عدد المعاملات، عدد المحافظ النشطة، أحجام التداول، مؤشرات السعر (الافتتاح، الإغلاق، الأعلى، الأدنى، المتوسط)، وأرصدة مجمعات السيولة.
مقاييس مستوى المنظومة: إجمالي حجم التداول في بورصات سولانا اللامركزية (DEX volume)، عدد المتداولين في هذه البورصات، أزواج التداول المنشأة حديثاً، ومؤشرات سعر سولانا (SOL) (بما في ذلك المتوسطات المتحركة لـ 50 و100 و200 يوم).
التصفية: تم اختيار الرموز بناءً على معايير النشاط (على سبيل المثال: >2,000 حامل فريد، >1,000 معاملة يومية، >20 مليون دولار إجمالي حجم التداول) وتم تنظيفها لإزالة القيم المفقودة أو فترات المراقبة غير الكافية.
مهمة التنبؤ: كان الهدف هو التنبؤ بالقيمة السوقية للرمز المميز (السعر × العرض المتداول) لثلاثة أيام قادمة (H=3). تم اختيار القيمة السوقية بدلاً من السعر الخام لتوحيد ديناميكيات العرض المتباينة (الإصدار، الحرق، فك القفل).
تقييم النماذج: تم اختبار ثمانية نماذج عبر ثلاث فئات:
التعلم العميق: PatchTST (محول قائم على الرقع - patch-based Transformer)، وTemporal Fusion Transformer (TFT)، وTiDE (مشفر السلاسل الزمنية الكثيف). تم تدريب هذه النماذج بطريقة أحادية المتغير (نموذج واحد لكل رمز).
نهج التنبؤ دون تدريب مسبق (Zero-Shot): نموذج Chronos (تم تقييمه في وضعي التدريب الدقيق والوضع دون التدريب) ونموذج TimeGPT. تم تطبيق هذه النماذج بطريقة متعددة المتغيرات/نقل التعلم (نموذج واحد لجميع الرموز).
التحقق من الصحة: استُخدمت استراتيجية الاختبار الخلفي للنافذة المتدحرجة (rolling window backtesting) للتدريب، مع مجموعة اختبار ثابتة خارج العينة (14–16 مارس 2025). تم تقييم الأداء باستخدام MAE وRMSE وMAPE. كما تم تقييم الأهمية الإحصائية عبر اختبارات Friedman، واختبارات Wilcoxon signed-rank، واختبارات نسبة الاحتمالية للنماذج الخطية المختلطة ذات المعلمات (parametric linear mixed-effects).
أهمية الميزات: استخدمت الدراسة أهمية التبديل (permutation-based importance) لنموذج TFT وقيم SHAP لنموذج TimeGPT لتحديد المتغيرات التفسيرية الرئيسية.
النتائج الرئيسية
ديناميكيات السوق: كشف التحليل الوصفي عن ذروات متزامنة في حجم التداول في البورصات اللامركزية، وحجم تداول الرموز، والمحافظ النشطة، وسعر سولانا (SOL) في منتصف نوفمبر 2024 ومنتصف يناير 2025. تزامنت ذروة يناير 2025 مع إطلاق رمز "Trump"، مصحوبة بتحول مرئي من تراكم السيولة إلى عمليات السحب، مما يشير إلى اقتران قوي بين ديناميكيات الرموز الفردية ومعنويات سوق سولانا الأوسع.
أداء التنبؤ:
حقق PatchTST أفضل تصنيف إجمالي (متوسط رتبة ≈ 2.97) عبر مقاييس MAE وRMSE وMAPE، مما أظهر قدرة فائقة على المتانة في التقاط التقلبات غير الدورية.
جاء ChronosFineTuned في المرتبة التالية مباشرة، متفوقاً بشكل كبير على نظيره في وضع "دون التدريب"، مما يشير إلى أن التكيف الخاص بالأصل يحقق مكاسب جوهرية في هذا النظام.
النماذج الإحصائية المرجعية: أدى Prophet وSeasonalNaive أداءً ممتازاً بشكل استثنائي للعديد من الرموز، مما يشير إلى أن جزءاً كبيراً من مجموعة البيانات يحتفظ بهياكل قصيرة المدى من الاستمرارية أو الاتجاه أو الموسمية. تفوق PatchTST على Prophet في 93 رمزاً وعلى SeasonalNaive في 772 رمزاً، مما يسلط الض الضوء على قدرته على التقاط الميزات المعقدة وغير الدورية التي تغفل عنها النماذج الإحصائية.
أظهر TimeGPT أدنى تباين في الاستقرار ولكنه سجل أعلى معدلات الخطأ بشكل عام، حيث التقط أقل قدر من الميزات الإضافية غير الدورية مقارنة بالنماذج الأخرى.
أهمية الميزات: أكد التحليل أنه بينما يعد تاريخ سعر الرمز المميز ذا صلة، فإن المتغيرات على المستوى الكلي (macro-level) غنية بالمعلومات للغاية. شملت المتغيرات الأكثر تأثيراً سعر سولانا (SOL)، والمتوسطات المتحركة لسعر سولانا، وإجمالي حجم التداول في البورصات اللامركزية، وعدد المتداولين في تلك البورصات، وعدد الأزواج المنشأة حديثاً.
الأهمية والمساهمات تتمثل المساهمة الأساسية للورقة في إنشاء أول مجموعة بيانات سلاسل زمنية للأصول الرقمية في سولانا مصممة خصيصاً للتنبؤ وتحليل هيكل السوق. من خلال ربط البنية الدقيقة للرمز المميز بنشاط البورصات اللامركزية على مستوى المنظومة، تتيح مجموعة البيانات دراسة كيفية تأثير ظروف السوق الأوسع على تقلبات الأصول الفردية.
تثبت الدراسة ما يلي:
الاقتران بالمنظومة: ترتبط ديناميكيات الرموز الفردية في سولانا ارتباطاً وثيقاً بنشاط البورصات اللامركزية وحركات سعر سولانا، لا سيما خلال فترات النمو السريع والأحداث المضاربية.
جدوى النماذج: بينما تتفوق نماذج التعلم العميق مثل PatchTST في التقاط الأنماط المعقدة وغير الدورية، تظل النماذج الإحصائية المرجعية تنافسية للرموز التي يهيمن عليها الاتجاه (trend). وتظهر النماذج التي تعمل دون تدريب مسبق (zero-shot) وعوداً ولكنها تستفيد بشكل كبير من التدريب الدقيق في هذا المجال المحدد.
فائدة البيانات: تحتوي مجموعة البيانات على إشارات كافية للتنبؤ بالقيمة السوقية (لمدة 3 أيام)، مما يؤكد جدوى استخدام بيانات البنية الدقيقة للعملات والبورصات اللامركزية كميزات تنبؤية.
يصرح المؤلفون صراحةً بأن هذا العمل هو تحليل تجريبي وتوصيف قائم على البيانات للنظام البيئي، ويتجنبون تقديم توصيات تداول أو نصائح تشغيلية نظراً للمخاطر الأخلاقية لسوء الاستخدام المضاربي. تُعرض النتائج كأدلة خاصة بسولانا، مع ترك مسألة التعميم عبر السلاسل الأخرى للبحوث المستقبلية.