Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
تقدم هذه الدراسة تقييماً معيارياً واسع النطاق لـ 1,368 تكويناً للشبكات العصبية الكمومية للتنبؤ بالسلاسل الزمنية المالية لزوج العملات GBP/USD، حيث حددت أن اختيارات بوابات محددة وهياكل دوائر معينة أكثر أهمية من عدد المعلمات لتحقيق دقة عالية (متفوقة على نموذج BiLSTM الكلاسيكي)، مع تسليط الضوء أيضاً على أخطاء البوابات وفقدان الترابط كعوائق رئيسية أمام النشر العملي على الأجهزة الكمومية القريبة من المدى.
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
يعتمد عالم التمويل بشكل كبير على التنبؤ بالمستقبل، وتحديداً حركة قيم العملات، وأسعار الأسهم، والمؤشرات الاقتصادية. ولعقود من الزمن، استخدم العلماء الحواسيب الكلاسيكية لإيجاد أنماط في هذه الأرقام، والتعامل معها كأنها لغز معقد تلمح فيه البيانات الماضية إلى ما سيأتي لاحقاً. ومع ذلك، ومع ازدياد تعقيد البيانات وتشابك العلاقات، أصبحت الحواسيب التقليدية أحياناً تجد صعوبة في رؤية الصورة الكاملة. وقد أدى هذا إلى دفع الباحثين لاستكشاف نوع مختلف من الآلات: الحاسوب الكمي. وخلافاً للحواسيب القياسية التي تعالج المعلومات كبوابات بسيطة تعمل بنظام (تشغيل أو إيقاف)، تستخدم الآلات الكمية القواعد الغريبة للفيزياء للتعامل مع المعلومات بطريقة تسمح لها بالتواجد في حالات متعددة في آن واحد. وعندما تُبرمج هذه الآلات للتعلم من البيانات، تصبح شبكات عصبية كمية. وهذه ليست مجرد نسخ أسرع من النماذج القديمة؛ بل هي أدوات مختلفة جوهرياً تقدم مسارات جديدة لمعالجة البيانات عالية الأبعاد. والسؤال الذي يواجه العلماء اليوم ليس فقط ما إذا كانت هذه الآلات قادرة على العمل، بل كيف يمكن بناؤها بشكل صحيح لحل مشكلات واقعية مثل التنبؤ بسعر المال.
وضع فريق من الباحثين في جامعة كينغستون لندن وجامعة برونيل لندن نصب أعينهم الإجابة على هذا السؤال من خلال التعامل مع تصميم الشبكة العصبية الكمية كأنه مشروع بناء ضخم. أرادوا معرفة أي أجزاء محددة من الآلة تعمل بشكل أفضل عند محاولة التنبؤ بسعر صرف الجنيه الإسترليني مقابل الدولار الأمريكي. ولتحقيق ذلك، لم يكتفوا ببناء نموذج واحد؛ بل قاموا ببناء واختبار 1,368 نسخة مختلفة. كانت كل نسخة عبارة عن مزيج فريد من كتل بناء مختلفة، مثل كيفية تغذية البيانات في الآلة، والترتيب المحدد لبوابات المنطق الداخلي، وعدد البتات الكمية المستخدمة، والقواعد الرياضية المستخدمة للحكم على النجاح. ومن خلال إجراء عملية البحث الشبكي هذه، استطاع الباحثون رؤية كيف أثر تغيير قطعة صغيرة واحدة من اللغز على النتيجة النهائية، مما وفر خريطة واضحة لما ينجح وما لا ينجح.
ركزت الدراسة على مجموعة بيانات محددة لأسعار الصرف اليومية الممتدة لنحو عشرين عاماً، من عام 2005 إلى عام 2025. وقسم الباحثون هذه البيانات إلى ثلاثة أجزاء: جزء لتعليم النماذج، وجزء لضبطها، وجزء لاختبار أدائها النهائي. وقارنوا ابتكاراتهم الكمية بنموذج حاسوبي كلاسيكي متطور للغاية يُعرف باسم (BiLSTM)، والذي يُعتبر حالياً من أفضل النماذح لهذا النوع من التنبؤ الزمني. كان الهدف هو معرفة ما إذا كانت النماذج الكمية يمكنها ليس فقط مضاهاة هذا المعيار الكلاسيكي، بل وتجاوزه محتملاً. كانت النتائج مذهلة؛ حيث حقق أفضل تكوين كمي أداءً سجل درجة 0.985 في القدرة على التنبؤ بالبيانات. وبينما تجاوز هذا الرقم بشكل طفيف درجة النموذج الكلاسيكي المقيد، فمن المهم ملاحظة أن النموذج الكلاسيكي غير المقيد، الذي كان لديه وصول إلى نافذة زمنية سابقة أطول بكثير وبيانات متداخلة بالكامل، حقق درجة 0.9805. ومع ذلك، أظهر أفضل تكوين كمي دقة تنبؤية تنافسية، وفي بعض الحالات متفوقة، مقارنة بالنماذج الكلاسيكية التي تعمل تحت قيود البيانات ذاتها، مما يوفر دليلاً مشجعاً على إمكانات الشبكات العصبية الكمية في التنبؤ المالي.
ومع ذلك، لم يكن الطريق نحو هذا النجاح مستقيماً، فقد اكتشف الباحثون أن "الأكبر" ليس دائماً هو "الأفضل". هناك افتراض شائع في هذا المجال بأن إضافة المزيد من البتات الكمية أو المزيد من طبقات التعقيد سيؤدي تلقائياً إلى نتائج أفضل، لكن الدراسة وجدت العكس تماماً. فالنماذج الأكثر نجاحاً استخدمت عدداً قليلاً نسبياً من البتات الكمية وعدد متوسط من الطبقات. وعندما زاد الباحثون من حجم النموذج بشكل كبير، غالباً ما انخفض الأداء. حدث هذا لأن النماذج الأكبر أصبحت أصعب في التدريب وأكثر عرضة للوقوع في حالة لا تستطيع فيها التعلم بفعالية. علاوة على ذلك، وجد الباحثون أن الاختيار المحدد للبوابات — وهي العمليات الأساسية التي تقوم بها الآلة — كان أكثر أهمية بكثير من إجمالي عدد المعلمات أو الحجم الإجمالي للدائرة. لم يكن الأمر يتعلق بامتلاك المحرك الأكثر قوة، بل بامتلاك المحرك المناسب للمهمة.
تعلق اكتشاف حاسم آخر بكيفية تعامل الآلة مع "التشابك" بين أجزائها. في الفيزياء الكمية، التشابك هو ظاهرة تصبح فيها الجسيمات مرتبطة بحيث تؤثر حالة أحدها فوراً على الآخر، بغض النظر عن المسافة. ووجد الفريق أن هذا الارتباط لا يجب أن يحدث فقط في جزء المعالجة الرئيسي للآلة، بل هو خاصية للنظام بأكمبه. فإذا كانت الطريقة المستخدمة لتغذية البيانات في الآلة قد خلقت تشابكاً كافياً، فيمكن لوحدة المعالجة الرئيسية أن تكون أبسط وتظل تعمل بشكل جيد. وعلى العكس من ذلك، إذا لم تكن طريقة تغذية البيانات تخلق هذا الارتباط، فلا يمكن لوحدة معالجة معقدة أن تعوض ذلك. وهذا يعني أن نجاح النموذج يعتمد على التناغم في النظام ككل، وليس فقط على تطور مكونه المركزي.
كما اختبر الباحثون كيفية سلوك هذه النماذج على أجهزة كمية فيزيائية حقيقية، بدلاً من مجرد محاكاة حاسوبية. قاموا بتشغيل مجموعة من أفضل تصميماتهم على جهاز كمي حقيقي يسمى (IQM Emerald). وكانت النتائج هنا واقعية وصادمة؛ فبينما عملت النماذج بشكل مثالي في المحاكاة، أدى الجهاز الحقيقي إلى إدخال أخطاء ناتجة عن الطبيعة الفيزيائية للآلة، مثل الضجيج وفقدان الحالات الكمية بمرور الوقت. تسببت هذه الأخطاء في انخفاض دقة التنبؤ بشكل كبير. وأظهرت الدراسة أن عمق الدائرة، أو عدد الخطوات التي يجب أن تتخذها الآلة، كان عاملاً رئيسياً في مدى تأثير الضجيج على الأداء؛ إذ عانت الدوائر الأعمق أكثر من غيرها. ومن المثير للاهتمام أن نوع الخطأ الذي كان الأكثر تأثيراً لم يكن في قراءة النتيجة النهائية، بل في الأخطاء التي تحدث أثناء خطوات الحساب نفسها. وهذا يشير إلى أنه لكي تكون الحواسيب الكمية مفيدة في العالم الحقيقي الآن، يجب أن تظل التصميمات ضحلة وبسيطة لتنجو في البيئة المليئة بالضجيج للأجهزة الحالية.
رغم التحديات التي تفرضها الأجهزة الواقعية، توفر الدراسة مخططاً واضحاً للمستقبل. لقد أثبت الباحثون أنه من الممكن بناء شبكة عصبية كمية يمكنها منافسة، بل وتجاوز النماذج الكلاسيكية في تكوينات معينة للتسلسل الزمني المالي، بشرط اختيار البنية التحتية بعناية. لقد وازنت أفضل التصميمات بين عدد المكونات، ونوع الاتصالات، وطريقة إدخال البيانات لإنشاء آلة قوية ومرنة في آن واحد. وتشير النتائج إلى أنه بينما لا تزال هذه التكنولوجيا في مراحلها الأولى وتواجه عقبات كبيرة تتعلق بضجيج الأجهزة، فإن الإمكانات حقيقية. إن هذا العمل يضع حجر الأساس لكيفية بناء هذه الآلات، ويقدم إرشادات عملية للمهندسين الذين يحاولون تحويل النظرية الكمية إلى أداة يمكنها التنبؤ بمستقبل المال. ومع استمرار تحسن الأجهزة الكمية وتقليل الضجيج الذي يحد حالياً من الأداء، يمكن للتكوينات المحددة في هذه الدراسة أن تكون بمثابة الأساس للجيل القادم من أدوات التنبؤ المالي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.