Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index
تُظهر هذه الدراسة أنه للتنبؤ بمؤشر BIST 100 باستخدام المتغيرات الفنية والاقتصادية الكلية، تتفوق بنيات الذاكرة الطويلة قصيرة المدى (LSTM) أحادية الطبقة والأبسط على النماذج متعددة الطبقات الأكثر تعقيداً، مما يشير إلى أن التبسيط يعزز القدرة على التعميم في التنبؤ المالي.
في عالم التمويل، يظل التنبؤ بالتحركات المستقبلية لمؤشر سوق الأسهم مهمة استحوذت طويلاً على اهتمام الاقتصاديين والمستثمرين على حد سواء. إنه تحدٍ متجذر في الاعتقاد بأنه بينما تتسم الأسواق بالفوضى، إلا أنها ليست عشوائية تماماً؛ إذ قد تقدم الأنماط المخفية داخل الأسعار الماضية، والتقارير الاقتصادية، والتوجهات العالمية لمحة عما سيأتي لاحقاً. لعقود من الزمن، اعتمد الباحثون على النماذج الإحصائية لإيجى هذه الأنماط، لكن صعود الحواسيب القوية قدم أداة جديدة: الذكاء الاصطناعي. وتحديداً، أصبح نوع من البرامج الحاسوبية يُعرف بالشبكة العصبية، المصممة لمحاكاة الطريقة التي يعالج بها الدماغ البشري تسلسلات المعلومات، خياراً شائعاً لهذا العمل. وكان الافتراض السائد في هذا المجال غالباً هو أن النسخ الأكثر تعقيداً من هذه البرامج، ذات طبقات المعالجة الأكثر عمقاً، يجب أن تؤدي بطبيعة الحال إلى تنبؤات أفضل. ففي نهاية المطاف، إذا كان بإمكان نموذج بسيط أن يتعلم القليل، فإن نموذجاً أكثر تعقيداً يجب أن يتعلم أكثر بكثير.
ومع ذلك، فإن دراسة حديثة ركزت على مؤشر بورصة إسطنبول 100، وهو المعيار الأساسي لسوق الأسهم التركي، تتحدى هذا الافتراض. فقد سعى الباحثون، فاتح مانجير، وميتيهان أورتاكاربوز، وعبد الرزاق باوا يوسف، لاختبار ما إذا كان إضافة المزيد من التعقيد لطبقات هذه النماذج التنبؤية يحسن دقتها بالفعل. لقد جمعوا أكثر من ألفين وخمسمائة يوم من بيانات التداول، تمتد من أوائل عام 2016 حتى نهاية عام 2025، وهي فترة تضمنت تحولات اقتصادية عالمية ومحلية كبيرة. ولتغذية نماذجهم، لم يعتمدوا على تاريخ الأسعار وحده؛ بل دمجوا أسعار الإغلاق اليومية مع مزيج غني من المعلومات الأخرى، بما في ذلك المؤشرات الفنية التي تقيس زخم السوق، ومستويات الخوف العالمية، وقوة الدولار الأمريكي، والعوامل الاقتصادية المحلية مثل أسعار الفائدة والبطالة. وقبل تدريب نماذجهم، استخدموا تقنية رياضية لتنعيم التقلبات الصاخبة والمضطربة في البيانات، مما يضمن أن الحاسوب يتعلم من الإشارة الأساسية بدلاً من الضجيج العشوائي.
بعد ذلك، بنى الفريق عائلتين متميزتين من النماذج لمعرفة أيهما سيكون الأفضل أداءً. تكونت العائلة الأولى من شبكات بسيطة أحادية الطبقة، بينما تميزت العائلة الثانية بهياكل أكثر تعقيداً ومتعددة الطبقات مع مستويات متعددة من المعالجة. وقد قاموا بتدريب هذه النماذج للتنبؤ بسعر الإغلاق في اليوم التالي، مع تشغيل التجربة ثلاثين مرة لكل تكوين لضمان أن النتائج لم تكن مجرد ضربة حظ. كانت النتائج واضحة ومناقضة للبديهة نوعاً ما: فقد تفوقت النماذج الأبسط باستمرار على النماذج الأكثر تعقيداً. حقق النموذج أحادي الطبقة الذي يحتوي على عشر وحدات معالجة فقط أدنى متوسط خطأ، بينما كافحت النماذج الأكثر تعقيداً، بما في ذلك تلك التي تحتوي على ثلاث طبقات، لمواكبة الأمر. وفي الواقع، أنتج الهيكل الأكثر تفصيلاً أسوأ النتائج على الإطلاق، حيث أخطأ الهدف بفارق كبير.
تشير هذه النتيجة إلى أنه في السياق المحدد للتنبؤ بهذا المؤشر في الأسواق الناشئة، لم يساعدت إضافة العمق إلى الشبكة العصبية في تحسين تعلمها؛ بل على العكس، ربما تسبب ذلك في جعل النموذج يبالغ في تعقيد المهمة. فالبيانات، حتى بعد تنظيفها وإثرائها بالمتغيرات العالمية والمحلية، احتوت على هيكل كان من الأفضل التقاطه عبر نهج مباشر. بدا أن النماذج المعقدة تحاول تعلم أنماط غير موجودة ببساطة، حيث قامت فعلياً بحفظ ضجيج السوق بدلاً من إيقاعه الحقيقي. وتشير الدراسة إلى أنه بالنسبة لهذا النوع من التنبؤ المالي، فإن النهج المقتصد — الذي يستخدم الحد الأدنى من التعقيد الضروري لفهم البيانات — هو الأفضل. لم تأتِ التنبؤات الأكثر دقة من الآلة الأكثر قوة، بل من الآلة التي كانت معقدة بما يكفي فقط لتتناسب مع المعلومات المتاحة.
كما لاحظ الباحثون مقايضة مثيرة للاهتمام في نتائجهم. فبينما كان النموذج الأبسط هو الأكثر دقة في المتوسط، فإن نموذجاً آخر أحادي الطبقة أكبر قليلاً يحتوي على خمسين وحدة قد قدم نوعاً مختلفاً من الفائدة: الاستقرار. قدم هذا الإصدار نتائج كانت قريبة جداً من الدقة، ولكنها كانت أكثر اتساقاً عبر عمليات التدريب المختلفة، مما يشير إلى أنه بالنسبة لقرارات الاستثمار العملية، قد يكون النموذج الذي يتسم بالموثوقية والدقة معاً هو الخيار الأمثل. وفي نهاية المطاف، تعمل هذه الدراسة كتذكير بأنه في مجال التنبؤ المالي، ليس دائماً "الأكثر" هو "الأفضل". فالأداة الأفضل ليست بالضرورة الأكثر تطوراً، بل هي الأداة المتوافقة تماماً مع طبيعة البيانات التي تحاول فهمها.
ملخص تقني: هل تعزز التعقيدات دقة التنبؤ؟ أدلة من نماذج الذاكرة الطويلة قصيرة المدى (LSTM) أحادية ومتعددة الطبقات لمؤشر BIST 100
بيان المشكلة تتناول هذه الدراسة سؤالاً منهجياً حرجاً في مجال تعلم الآلة المالي: هل يؤدي زيادة التعقيد الهيكلي — وتحديداً عمق شبكات الذاكرة الطويلة قصيرة المدى (LSTM) — بالضرورة إلى تعزيز دقة التنبؤ؟ وبينما يُفترض غالباً أن التعلم العميق يتفوق على النماذج الأبسط بسبب قدرته التمثيلية العالية، يفترض المؤلفون أنه في البيئات المالية المليئة بالضجيج، لا سيما في الأسواق الناشئة مثل تركيا، قد يؤدي التعقيد المفرط إلى فرط التخصيص (overfitting). يركز البحث على مؤشر BIST 100، وهو معيار يعكس سوقاً ناشئة معرضة لعدم الاستقرار المالي والاقتصادي الكلي المحلي والصدمات العالمية، لتحديد ما إذا كانت النماذج المقتصدة (parsimonious models) قادرة على التعميم بشكل أفضل من البنى الأكثر عمقاً عندما تكون البنية المعلوماتية للبيانات محدودة.
المنهجية تستخدم الدراسة إطار عمل تنبؤي صارم وقابل لإعادة الإنتاج باستخدام 2,507 ملاحظة يومية لمؤشر BIST 100 من 4 يناير 2016 إلى 31 ديسمبر 2025.
البيانات والميزات: المتغير المستهدف هو سعر الإغلاق اليومي. وتتضمن مجموعة الميزات المدخلة المؤشرات الفنية (MACD، RSI، ATR) ومجموعة متعددة المتغيرات من المتغيرات العالمية والاقتصادية الكلية (VIX، USDX، أسعار الفائدة التركية، البطالة، وثقة المستهلك).
المعالجة المسبقة: لضمان السلامة الزمنية وتقليل تسرب المعلومات، تم تقسيم البيانات زمنياً (80% للتدريب، 20% للاختبار) قبل أي عملية معالجة. تم استكمال القيم المفقودة باستخدام التعبئة الأمامية/الخلفية (forward/backward fill). ومن الأهمية بمكان أنه تم تطبيق إزالة الضجيج باستخدام المويجات (Haar wavelet مع عتبة VisuShrink) على المتغير المستهدف لتصفية الضجيج عالي التردد، متبوعاً بتطبيع (Min-Max normalization) مشتق حصرياً من مجموعة بيانات التدريب.
بناء التسلسل: تم استخدام نافذة استباق (lookback window) لمدة خمسة أيام لإنشاء تسلسلات التعلم الخاضع للإشراف، مما يسمح بالتقاط التبعيات قصيرة المدى في السوق.
بنى النماذج: تمت مقارنة عائلتين من نماذج LSTM:
أحادية الطبقة (SL): تكوينات تحتوي على 10، 30، 50، 100، 150، و200 عصبون.
متعددة الطبقات (ML): تكوينات متراكمة تشمل هياكل ثنائية الطبقة (مثل 100/50، 150/100) وهيكل ثلاثي الطبقات (100/50/20).
التدريب والتقييم: تم ضبط المعلمات الفائقة (المحسن، معدل التعلم، حجم الدفعة) عبر البحث الشبكي (grid search) لكل بنية بشكل مستقل. وللتعامل مع الطبيعة العشوائية لتدريب الشبكات العصبية، تم تقييم كل تكوين عبر 30 تكراراً مستقلاً بأوزان أولية عشوائية. تم قياس الأداء باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق بالنسبة المئوية (MAPE)، ومعامل ارتباط بيرسون. كما تم تقييم الأهمية الإحصائية باستخدام اختبار "ويلش" لعينتين مستقلتين (Welch's two-sample t-test).
النتائج الرئيسية تُظهر النتائج التجريبية وجود علاقة غير رتيبة بين تعقيد النموذج ودقة التنبؤ:
تفوق البساطة: حقق نموذج LSTM أحادي الطبقة بـ 10 عصبونات أدنى متوسط لـ RMSE (231.32) وأعلى معامل ارتباط بيرسون (0.9797)، متفوقاً بشكل كبير على جميع البنى متعددة الطبقات.
التدهور مع العمق: أدت زيادة عدد العصبونات في النماذج أحادية الطبقة إلى ما بعد 50 عصبوناً إلى تدهور الأداء، حيث أظهر نموذج الـ 200 عصبون أسوأ النتائج. وبالمثل، أظهرت البنى متعددة الطبقات عموماً معدلات خطأ أعلى وارتباطاً أقل مقارنة بنظيراتها أحادية الطبقة. وكان النموذج ثلاثي الطبقات (100/50/20) هو الأسوأ بين جميع التكوينات.
المفاضلة بين الاستقرار والدقة: بينما قدم نموذج الـ 10 عصبونات أعلى دقة، إلا أنه أظهر تبايناً أعلى عبر التكرارات. وقد برز نموذج الـ 50 عصبوناً أحادي الطبقة كحل وسط قوي، حيث قدم دقة تقارب المثالية مع أكبر قدر من الاستقرار (أدنى انحراف معياري في RMSE).
الأهمية الإحصائية: أكد اختبار "ويلش" أن الفرق في الأداء بين أفضل نموذج أحادي الطبقة (10N) والمعيار المرجعي متعدد الطبقات (150/100) كان ذا دلالة إحصائية (p<0.001)، حيث وفر النموذج أحادي الطبقة ميزة دقة نظامية.
المساهمات الرئيسية تقدم الورقة ثلاث مساهمات رئيسية في الأدبيات:
إطار عمل متعدد المتغيرات: وضعت إطار عمل شاملاً للتنبؤ بمؤشر BIST 100 يدمج المؤشرات الفنية مع مخاطر عالمية ومتغيرات اقتصادية كلية محلية، تمت معالجتها عبر إزالة الضجيج بالمويجات.
خصوصية البنية: على عكس الدراسات التي تقارن بين عائلات نماذج مختلفة (مثل ARIMA مقابل LSTM)، يعزل هذا البحث تأثير العمق الهيكلي داخل عائلة LSTM نفسها، مع تثبيت مجموعة المعلومات وأفق التنبؤ.
الدليل على مبدأ الاقتصاد (Parsimony): تقدم الدراسة دليلاً تجريبياً من سياق السوق الناشئة مفاده أن بنى LSTM الأكثر عمقاً لا تحسن الأداء التنبئي بالضرية. وتتحدى الدراسة الافتراض القائل بأن "الأعمق هو الأفضل"، مما يشير إلى ضرورة مواءمة قدرة النموذج مع البنية المعلوماتية للبيانات بدلاً من توسيعها آلياً.
الأهمية والادعاءات يخلص المؤلفون إلى أنه في سياق التنبؤ بالأسواق الناشئة المتقلبة، لا يؤدي زيادة التعقيد الهيكلي بالضرورة إلى تحسين دقة التنبؤ. بدلاً من ذلك، تدعم النتائج نهجاً اقتصادياً حيث يمكن للنماذج الأبسط أحادية الطبقة أن تعزز القدرة على التعميم عندما يتجاوز تعقيد النموذج البنية المعلوماتية المتاحة في البيانات.
وتشدد الدراسة على أنه بينما قد توفر النماذج متعددة الطبقات استقراراً أكبر قليلاً عبر عمليات التدريب، إلا أنها تفشل في التقاط ديناميكيات السوق بشكل أكثر فعالية من البنى المدمجة. وتشير النتائج إلى أنه بالنسبة للسلاسل الزمنية المالية ذات نوافذ الاستباق القصيرة وخصائص الضجيج المحددة، فإن النموذج "الأمثل" ليس الأكثر تعقيداً، بل هو النموذج الذي تتوافق قدرته بشكل أفضل مع المحتوى المعلوماتي للبيانات. ويحذر المؤلفون من أن هذه النتائج خاصة بالتصميم التجريبي (نافذة استباق ثابتة، متنبئات محددة، ومعالجة مسبقة) ولا تمنع عالمياً فائدة النماذج الأكثر عمقاً في السيناريوهات ذات التبعيات الزمنية الأطول أو مجموعات المعلومات الأغنى.