Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

إن التنبؤ بسعر النفط الخام هو أحد أصعب المهام في الاقتصاد الحديث؛ فالسوق لا يتحرك في خطوط مستقيمة أو أنماط يمكن التنبؤ بها، بل يتصرف كعاصفة فوضوية، مدفوعة بمزيج من البيانات الاقتصادية، والأحداث السياسية، والتحولات المفاجئة في العرض والطلب. ولأن السعر يتقلب بجنون وبشكل غير متوقع، فإن الأدوات الرياضية التقليدية غالباً ما تفشل في استيعاب طبيعته الحقيقية. ولإدراك هذا النوع من الفوضى، لجأ الباحثون إلى استراتيجية تسمى "التفكيك" (Decomposition). تخيل أنك تحاول فهم أغنية معقدة من خلال الاستماع إلى الأوركسترا بأكملها في وقت واحد؛ سيكون من المستحيل تقرياً سماع اللحن. ولكن، إذا كان بإمكانك فصل الآلات بحيث تستمع إلى الوتريات، ثم النحاسيات، ثم الإيقاع بشكل فردي، فسيصبح هيكل الموسيقى واضحاً. وفي عالم البيانات، يعني هذا تفكيك تدفق واحد فوضوي من الأرقام إلى قطع أصغر وأبسط يسهل دراستها. وبمجرد فهم هذه القطع، يمكن إعادة تجميعها لرسم صورة أكثر وضوحاً لما قد يحدث لاحقاً.

تتناول دراسة حديثة أجراها الباحث عبد القادر عوار مشكلة محددة ضمن استراتيجية التفكيك هذه. يركز البحث على طريقة تسمى "تفكيك النمط المتغير" (Variational Mode Decomposition - VMD)، وهي طريقة متطورة لتقسيم بيانات السلاسل الزمنية إلى تلك القطع الأبسط. ورغم قوة هذه الطريقة، إلا أنها تتطلب ضبط إعدادين حاسمين لكي تعمل بشكل صحيح: عدد القطع التي يجب تقسيم البيانات إليها، وعامل يتحكم في مدى صرامة فصل هذه القطع عن بعضها البعض. فإذا كانت هذه الإعدادات خاطئة، فقد تُقسم البيانات إلى قطع قليلة جداً، مما يؤدي إلى إخفاء تفاصيل مهمة، أو إلى قطع كثيرة جداً، مما يخلق ضجيجاً غير ضروري. في الماضي، استخدم العلماء خوارزميات حاسوبية لإيجاد أفضل الإعدادات تلقائياً، لكنهم اعتمدوا على قاعدة محددة لتحديد معنى كلمة "الأفضل". هذه القاعدة، المعروفة باسم "إنتروبيا الغلاف" (envelope entropy)، صُممت في الأصل للكشف عن الأعطاف في أجزاء الآلات، مثل محور دوران مكسور في محرك. وهي تعمل من خلال البحث عن طفرات حادة ومفاجئة في الإشارة. ولأن هذه القاعدة نجحت مع الآلات، افترض العديد من الباحثين أنها ستنجح أيضاً مع أسعار النفط. وتتحدى دراسة عوار هذا الافتراض من خلال طرح سؤال بسيط: هل القاعدة المصممة للتروس المكسورة تساعد حقاً في التنبؤ بسعر النفط؟

للإجابة على ذلك، بنى الباحث نظام تنبؤ هجين يجمع بين ثلاث أدوات متميزة. أولاً، يستخدم النظام خوارزمية تحسين تسمى "تحسين سرب الجسيمات" (Particle Swarm Optimization)، والتي تحاكي كيفية بحث سرب من الطيور عن الطعام، وذلك لاختبار آلاف الإعدادات المختلفة لأداة (VMD) تلقائياً. ثانياً، يستخدم طريقة (VMD) لتقسيم أسعار النفط اليومية إلى مكوناتها. ثالثاً، يقوم بتغذية هذه الأجزاء في نوع من الذكاء الاصطناعي يسمى "الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory - LSTM)، وهو ممتاز في تذكر الأنماط بمرور الوقت. وكان الجزء الحاسم من التجربة ليس الأدوات نفسها، بل القاعدة المستخدمة لإخبار الكمبيوتر أي الإعدادات هي الأفضل. اختبرت الدراسة أربع قواعد مختلفة: ثلاث قواعد تقيس التعقيد أو عدم الانتظام في البيانات (تسمى إنتروبيا العينة، وإنتروبيا التبديل، وإنتروبيا الغلاف)، وقاعدة واحدة تقيس ببساطة مقدار المعلومات المفقودة عند تفكيك البيانات وإعادة تجميعها (تسمى خطأ إعادة البناء).

كانت نتائج التجربة مذهلة وقلبت العادة السائدة في استخدام قاعدة أعطال الآلات. فعندما استخدم الباحثون قاعدة "إنتروبيا الغلاف"، التي كانت الخيار القياسي في العديد من الدراسات السابقة، قدم النموذج أداءً ضعيفاً، حيث سجل معامل تحديد (R²) بلغ -0.3519. تشير هذه القيمة السالبة إلى أن تنبؤات النموذج كانت أقل دقة من مجرد استخدام متوسط السعر كخط أساس، وهو ضعف كبير مقارنة بالطرق الأخرى. وكانت القاعدتان الأخريان القائمتان على التعقيد أفضل حالاً، لكنهما لم تصلا إلى الهدف المنشود. وكان الفائز الواضح هو قاعدة "خطأ إعادة البناء". هذه القاعدة، التي تركز على الحفاظ على المعلومات الأصلية سليمة بدلاً من محاولة جعل الإشارة تبدو "نظيفة" أو "متباعدة"، سمحت للنموذج بتحقيق مستوى من الدقة يتفوق بمراحل على غيره. وقد تمكن نموذج التنبؤ النهائي باستخدام هذه القاعدة من التنبؤ بأسعار النفط بمعدل خطأ قدره 1.37 بالمائة فقط، وهو رقم قريب جداً من القيم الفعلية. وفي المقابل، سجلت النماذج التي استخدمت القواعد الأخرى معدلات خطأ أعلى بعدة مرات.

كشفت الدراسة أيضاً لماذا نجحت القاعدة الفائزة بهذا الشكل الكبير. فعندما أُمر الكمبيوتر بتقليل فقدان المعلومات، اختار تقسيم بيانات أسعار النفط إلى تسعة أجزاء متميزة. وقد سمح ذلك للنظام بالتقاط الاتجاهات طويلة المدى، والدورات متوسطة المدى، والقفزات قصيرة المدى في آن واحد. وفي المقابل، طلبت القواعد القائمة على التعقيد من الكمبيوتر تقسيم البيانات إلى قطعتين فقط، وهو أمر بسيط للغاية بحيث لا يمكنه استيعاب القصة الكاملة للسوق. علاوة على ذلك، اختارت القاعدة الفائزة إعداداً يسمح لقطع البيانات بالاحتفاظ بشكلها الأصلي بشكل أكبر، بينما أجبرت القواعد الأخرى البيانات على اتخاذ شكل أكثر سلاسة وصلابة، مما أدى إلى تجريدها من تفاصيل قيمة. وتشير النتائج إلى أنه بالنسبة للأسواق المالية، التي تتسم بالتقلب والقفزات المفاجئة، فإن الهدف لا ينبغي أن يكون إيجاد أبسط إشارة ممكنة، بل الحفاظ على أكبر قدر ممكن من الواقع الفوضوي الأصلي.

إن هذا البحث لا يكتفي بتحسين نموذج تنبؤ واحد فحسب، بل يسلط الضوء أيضاً على خلل حرج في كيفية إجراء العديد من الدراسات العلمية. فمنذ سنوات، يطبق الباحثون قواعد من مجال ما، مثل الهندسة الميكانيكية، على مجال آخر، مثل التمويل، دون اختبار ما إذا كانت تلك القواعد تناسبهم بالفعل. وتثبت هذه الدراسة أن ما يصلح لقطعة آلة تهتز لا يصلح بالضرورة لسعر برميل من النفط. ومن خلال اختبار قواعد مختلفة بشكل منهجي تحت نفس الظروف تماماً، أظهر الباحث أن اختيار قاعدة التقييم لا يقل أهمية عن خوارزمية الكمبيوتر نفسها. وتخلص الدراسة إلى أنه بالنسبة للتنبؤ بالبيانات المالية المعقدة، فإن الاستراتيجية الأكثر فعالية هي إعطاء الأولوية للحفاظ على المعلومات الأصلية سليمة بدلاً من محاولة فرض تصور مسبق عما يجب أن تبدو عليه الإشارة "النظيفة". ويقدم هذا الاستبصار مساراً جديداً لكل من يحاول فهم الإيقاعات غير المتوقعة للأسواق العالمية.