Adaptive Model Selection in Agricultural Finance: A Training-Free Framework for Forecasting in Corn Futures Markets

تخيل مزارعاً يقف في حقل، يراقب سماءً تحولت إلى حالة من عدم القدرة على التنبؤ. لأجيال، اعتمد إيقاع الزراعة والحصاد على الدورة الثابتة للفصول وأنماط الطقس الموثوقة. لكن اليوم، انكسر هذا الإيقاع. فالتغير المناخي يجلب موجات جفاف مفاجئة، بينما يمكن لأحداث عالمية مثل الأوبئة أو الحروب أن ترفع أسعار الذرة أو تهوي بها في غضض الأسابيع. بالنسبة للأشخاص الذين يزرعون غذاءنا والبنوك التي تقرضهم المال، فإن هذا التقلب هو لعبة خطيرة؛ فهم بحاجة ليس فقط لمعرفة حالة الطقس، بل لمعرفة كيف سيتفاعل السوق معها. المشكلة تكمن في أن الأدوات المستخدمة للتنبؤ بهذه الأسواق غالباً ما تفشل عندما تتغير الظروف. فالنموذج الذي يعمل جيداً خلال عام هادئ قد ينهار أثناء فترة جفاف، ولا توجد طريقة سهلة لمعرفة متى يجب تغيير الأدوات.

هذا هو التحدي الذي تسعى دراسة جديدة من باحث مستقل في يريفان إلى حله. طرح الباحث سؤالاً بسيطاً ولكنه صعب: هل يمكننا بناء نظام يختار تلقائياً أداة التنبؤ المناسبة للحظة الراهنة، دون الحاجة لقضاء ساعات في تدريبه على بيانات جديدة؟ تكمن الإجابة في طريقة تسمى "اختيار النموذج التكيفي". في عالم علوم الحاسوب، هناك طرق عديدة ومختلفة للتنبؤ بالمستقبل؛ فبعضها يشبه الخرائط البسيطة، وهي جيدة للطرق المستقيمة لكنها عديمة الفائدة في المسارات المتعرجة، والبعض الآخر يشبه المحاكيات ثلاثية الأبعاد المعقدة، وهي قوية ولكنها بطيئة وصعبة الفهم. عادةً، يحاول الخبراء تجربة كل أداة على حدة على مجموعة بيانات لمعرفة أيها يعمل بشكل أفضل، وهي عملية تستغرق الكثير من الوقت والقدرة الحوسبية. تقترح هذه الدراسة طريقاً مختصراً: إطار عمل "خالٍ من التدريب" ينظر إلى البيانات الحالية — مدى ضجيجها، وحجمها، ومدى تعقيدها — ويوصي فوراً بأفضل أداة للمهمة. إنه يشبه وجود ميكانيكي يمكنه النظر إلى محرك السيارة ومعرفة المفتاح المناسب لاستخدامه فوراً، دون الحاجة لتفكيك المحرك أولاً.

لاختبار هذه الفكرة، اتجه الباحث إلى سوق عقود الذرة الآجلة، وتحديداً من خلال النظر في الأسعار اليومية من ولاية أيوا على مدار أربعة عشر عاماً، من عام 2010 إلى 2024. تم اختيار هذا الإطار الزمني لأنه يتضمن مجموعة واسعة من الفوضى الواقعية: الجفاف الشديد في عام 2012، الصدمة الاقتصادية للجائحة في عام 2020، والاضطرابات السوقية الناجمة عن الحرب في أوكرانيا في عام 2022. قام الباحث بتقسيم هذا التاريخ الطويل إلى مئات النوافذ الزمنية المتداخلة التي تبلغ مدة كل منها ثلاثة أشهر. وفي كل نافذة، حلل النظام السلوك الإحصائي لأسعار الذرة والطقس المحلي، مثل درجة الحرارة وهطول الأمطار. ثم قارن بين خمسة نماذج تنبؤ مختلفة مقابل هذه الظروف. لم يقم النظام بتدريب أي من هذه النماذح؛ بل اكتفى بالتحقق من أي منها هو الأنسب نظرياً لطبيعة البيانات في تلك النافذة.

أظهرت النتائج أن النظام يعمل. ففي ما يقرب من 70 بالمائة من الفترات الثلاثة أشهر التي تم اختبارها، كان النموذج الذي اختاره إطار العمل يؤدي بشكل أفضل من البديل التالي له. والأهم من ذلك، أن النظام رصد بدقة متى تغيرت طبيعة السوق. وجد الباحث اثنين وأربعين لحظة كان فيها من الضروري استبدال أداة التنبؤ الأفضل بأداة أخرى مختلفة. ست من هذه اللحظات تم تحديدها بثقة عالية، وقد حدثت جميعها حول الصدمات العالمية الكبرى المذكورة آنفاً. فعندما ضرب جفاف عام 2012، أو عندما عطلت الجائحة سلاسل التوريد، أشار النظام بشكل صحيح إلى أن القواعد القديمة لم تعد صالحة، وانتقل إلى نموذج أكثر قوة وتعقيداً قادراً على التعامل مع الفوضى. وهذا يشير إلى أن السوق لا يتصرف بنفس الطوال الوقت؛ بل ينتقل بين "أنظمة" مختلفة، والطريقة الصحيحة للتنبؤ به تتغير مع تلك التحولات.

تعمق البحث أيضاً لفهم ما يدفع هذه التحولات في الواقع. بنى الباحث تحليلاً منفصلاً لمعرفة ما إذا كانت أنماط الطقس اليومية يمكن أن تفسر سبب انتقال السوق من نظام إلى آخر. نظروا في آلاف السجلات اليومية لدرجات الحرارة القصوى والدنيا، وهطول الأمطار، والمواسم. كانت النتائج كاشفة؛ فقد حدد النظام أن درجة الحرارة كانت المحرك الرئيسي، حيث شكلت أكثر من نصف الإشارة التي ساعدت في التنبؤ بتغيرات السوق. كما لعبت الأنماط الموسمية دوراً هاماً أيضاً. ومع ذلك، وُجد أن هطول الأمطار كان أقل أهمية بكثير، حيث لم يحمل سوى جزء ضئيل جداً من الإشارة. ومن المثير للدهشة، وجد البحث أن الطقس في الأيام التي سبقت تحول السوق بدا تماماً مثل الطقس في الأيام العادية. وهذا يعني أن الطقس اليومي نفسه لا يسبب تغيرات السوق؛ بل إن التحول ناتج على الأرجح عن شيء آخر، ربما الطريقة التي تتفاعل بها الأسعار مع الطقس بمرور الوقت، أو العوامل الاقتصادية الخارجية التي لا تستطيع بيانات الطقس اليومية رؤيتها.

أحد النتائج الأكثر عملية لهذا العمل هو تحديد الأداة التي يجب استخدامها عندما تشتد الأمور. وجدت الدراسة أنه خلال الأوقات المستقرة، تعمل النماذج البسيطة بشكل جيد. ولكن عندما يواجه السوق أزمة — مثل الجفاف أو الحرب — يوصي النظام باستمرار بنوع معين من النماذج المعقدة المعروف باسم "الغابة العشوائية" (Random Forest). هذا النموذج أفضل في التعامل مع البيانات الفوضوية وغير المتوقعة التي تصاحب الأزمات. حقيقة أن النظام ينتقل تلقائياً إلى هذه الأداة خلال أكبر الصدمات تؤكد أنه لا يخمن فحسب، بل يستجيب لتغيرات هيكلية حقيقية في السوق.

لا يدعي البحث أنه حل مشكلة التنبؤ بالمستقبل. فلا يزال النظام يعاني في التنبؤ بحركات الأسعار الصعودية القوية، حيث يخطئ غالباً في اعتبارها فترات مستقرة. كما أنه يعتمد على بيانات من منطقة واحدة، وهي أيوا، لذا ليس من الواضح بعد ما إذا كان سيعمل بنفس الطريقة في أجزاء أخرى من العالم. ومع ذلك، يثبت البحث أن إطار عمل خالٍ من التدريب يمكنه بنجاح التنقل في المشهد المالي الزراعي. فهو يقدم وسيلة للمزارعين والمؤسسات المالية للتوقف عن استخدام أداة تنبؤ واحدة وثابتة لكل موقف. بدلاً من ذلك، يمكنهم استخدام نظام يتكيف مع الطقس والسوق، مدركين متى يثقون في توقع بسيط ومتى ينتقلون إلى نموذج أكثر تعقيداً. في عالم تجعل فيه المناخ والجيوسياسية الزراعة أكثر تقلباً، فإن امتلاك أداة تعرف متى تغير رأيها قد يكون الفرق بين حصاد ناجح وخسارة مالية.