Ensemble learning for time series forecasting using metaheuristic optimisation

إن التنبؤ بالمستقبل غريزة بشرية، لكن التنبؤ بمستقبل الأرقام علمٌ صعب للغاية. في عالم المال، يعد التنبؤ بالسلاسل الزمنية محاولة لتخمين سعر السهم غداً بناءً على ما كان عليه بالأمس، والأسبوع الماضي، والعام الماضي. ونادراً ما تكون البيانات خطاً مستقيماً؛ فهي متعرجة، ومليئة بالضجيج، ومتغيرة باستمرار، تماماً مثل محاولة التنبؤ بالطقس في وسط عاصفة. ولأن السوق متقلب وغير قابل للتنبؤ، فإن الاعتماد على طريقة واحدة فقط لإجراء تنبؤ غالباً ما يشبه محاولة قيادة سفينة باستخدام بوصلة واحدة فقط؛ فإذا كانت تلك البوصلة منحرفة قليلاً، فإن الرحلة بأكملها ستتأثر. لهذا السبب، لجأ الباحثون إلى "التعلم التجميعي" (Ensemble Learning)، وهي استراتيجية يتم فيها بناء نماذج تنبؤ متعددة ومختلفة ثم دمجها. فبدلاً من الوثوق بخبير واحد، يستمع النظام إلى لجنة من الخبراء، آملين أن تلغي حكمتهم المجتمعة أخطاءهم الفردية وتكشف عن مسار أكثر وضوحاً للمضي قدماً.

ومع ذلك، يكمن التحدي في كيفية دمج هؤلاء الخبراء. فإذا طلبت ببساطة من كل نموذج أن يخمن ثم أخذت المتوسط، فقد تغفل عن حقيقة أن أحد النماذج يؤدي حالياً بشكل رائع بينما يعاني نموذج آخر. إن الحيلة الحقيقية تكمتد في معرفة أي النماذج تستحق ثقة أكبر وأيها يجب الاستماع إليه بشكل أقل في أي لحظة معينة. هذه هي المشكلة المحددة التي عالجها فريق من الباحثين من الهند الذين طوروا طريقة جديدة لإدارة هذه المجموعات من نماذج التنبؤ. لقد أنشأوا نظامين متميزين، أحدهما مستوحى من الطريقة التي تهاجر بها أسراب الطيور، والآخر يعتمد على نهج رياضي للتعامل مع عدم اليقين، لتحديد الوزن الذي يجب إعطاؤه لتنبؤ كل نموذج بشكل ديناميكي. كان هدفهم بناء نظام يمكنه التكيف في الوقت الفعلي، عبر تحويل تركيزه إلى المتنبئات الأكثر موثوقية مع تغير ظروف السوق.

ولاختبار أفكارهم، توجه الباحثون إلى سوق الأسهم الهندي، وهو نظام مالي واسع ومعقد شهد تحولات دراماتيكية على مدار السنوات الخمس عشرة الماضية، بما في ذلك إصلاحات اقتصادية كبرى وجائحة عالمية. لقد جمعوا بيانات تاريخية لسبعة كيانات مختلفة: مؤشرين رئيسيين للسوق يتتبعان الصحة العامة للاقتصاد، وخمس من أكبر الشركات المدرجة في البالبورصة. لم يعتمدوا على نوع واحد فقط من محركات التنبؤ، بل بنوا بدلاً من ذلك "لجنة" مكونة من ثلاثة نماذج مختلفة من الذكاء الاصطناعي، لكل منها نقاط قوة خاصة بها. صُمم أحد النماذج لإيجاد الأنماط في البيانات الثابتة، وصُمم آخر لتذكر الاتجاهات طويلة المدى بمرور الوقت، بينما كان الثالث نسخة مبسطة من ذلك النموذج القائم على الذاكرة، مصممة لتكون أسرع. تم تدريب هذه النماذ الثلاثة على بيانات السنوات الخمس عشرة الماضية لتعلم كيفية التنبؤ بسعر الإغلاق لليوم التالي.

وبمجرد أن أصبحت هذه النماذج الثلاثة جاهزة، طبق الباحثون نظامي الإدارة الجديدين لدمج تنبؤاتها. يعمل النظام الأول، الذي أطلقوا عليه اسم "Ensemble PSO"، من خلال محاكاة سرب من الجسيمات التي تبحث عن الحل الأمثل. تخيل مجموعة من الطيور تطير معاً؛ كل طائر يعرف أفضل موقع له وأفضل موقع وجده السرب بأكمله. إنهم يعدلون مسار طيرانهم باستمرار للتحرك نحو أفضل نقطة. في هذا النظام الحاسوبي، "الطيور" هي تركيبات مختلفة من الأوزان المخصصة للنماذج الثلاثة. يقوم النظام بإجراء آلاف عمليات المحاكاة، ويعدل المزيج باستمرار حتى يجد التوازن المثالي الذي يقلل الخطأ بين السعر المتوقع والسعر الفعلي. أما النظام الثاني، "Ensemble ARO"، فيتبع نهجاً مختلفاً؛ فهو يعامل عدم اليقين في السوق كمتغير يجب إدارته رياضياً، حيث يجد مجموعة من الأوزان تظل قوية حتى لو تصرف السوق بشكل غير متوقع. إنه يتساءل جوهرياً: "ما هي الطريقة الأكثر أماناً لدمج هذه التنبؤات بحيث لا نُباغت بما يحدث؟"

قارن الباحثون بين هذين النظامين الجديدين وبين النماذج الفردية، والمتوسط البسيط لجميع النماذج الثلاثة، وطرق التنبؤ المتقدمة الأخرى التي استُخدمت في الماضي. ولإجراء مقارنة عادلة عبر جميع مجموعات البيانات السبعة المختلفة، طوروا طريقة جديدة لتسجيل النتائج. فبدلاً من النظر إلى رقم واحد فقط، مثل مدى بعد التنبؤ عن المتوسط، نظروا إلى أربعة مقاييس مختلفة للدقة ودمجوها في درجة واحدة شاملة. سمح لهم ذلك بتصنيف النماذج ليس فقط بناءً على مجموعة بيانات واحدة، بل عبر اللوحة الكاملة المكونة من سبعة أسهم ومؤشرات.

كانت النتائج واضحة ومتسقة. فقد تفوق النظام الذي يستخدم التحسين القائم على السرب، "Ensemble PSO"، باستمرار على جميع الطرق الأخرى، بما في ذلك النماذج الفردية وتقنيات التجميع الأخرى. وقد أثبت أنه المتنبئ الأكثر موثوقية عبر ظروف السوق والفترات الزمنية المختلفة التي تم اختبارها. وكان ثاني أفضل أداء هو النظام الذي يستخدم نهج التحسين القوي، "Ensemble ARO"، والذي تفوق أيضاً بشكل كبير على النماذج القياسية. ووجدت الدراسة أنه بينما كانت النماذج الفردية، مثل شبكات الذاكرة طويلة المدى، جيدة في مهامها المحددة، إلا أنها غالباً ما كانت تعاني عندما يصبح السوق متقلباً للغاية أو غير قابل للتنبؤ. ومن خلال تعديل الأوزان ديناميكياً، تمكنت أنظمة التجميع الجديدة من الاعتماد على النموذج الذي يعمل بشكل أفضل في تلك اللحظة المحددة، مما أدى فعلياً إلى تنعيم الأخطاء وتوفير توقع أكثر دقة.

خلص الباحثون إلى أن نهجهم يقدم أداة قوية للتنبؤ المالي. فمن خلال استخدام التحسين الميتاهي (metaheuristic optimization) لإدارة أوزان النماذج المختلفة، أنشأوا نظاماً أكثر قدرة على التكيف ودقة من الاعتماد على خوارزمية واحدة أو متوسط بسيط. وتشير النتائج إلى أنه في عالم مليء بالبيانات الصاخبة والمتغيرة، فإن أفضل طريقة للتنبؤ بالمستقبل ليست في العثور على النموذج المثالي الوحيد، بل في بناء فريق مرن من النماذ التي يمكن توجيهها بواسطة نظام ذكي لتعمل معاً. ويمثل هذا العمل خطوة ملموسة للأمام في كيفية استخدام الذكاء الاصطناعي للإبحار في تعقيدات سوق الأسهم، مقدماً منهجاً يتسم بالقدرة على التوسع والمتانة للتعامل مع عدم اليقين الواقعي للبيانات المالية.