Hybrid VARIMA–Machine Learning Models for Multivariate Macroeconomic and Energy Forecasting
تقترح هذه الورقة إطار عمل للتنبؤ هجين يجمع بين قابلية التفسير لنماذج (VARIMA) ومرونة التعلم الآلي لالتقاط كل من الديناميكيات الخطية والبواقي غير الخطية، مما يظهر دقة ومتانة فائقتين في التنبؤ بالمتغيرات الاقتصادية الكلية والطاقة متعددة المتغيرات، لا سيما خلال فترات الضغوط الاقتصادية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
إن التنبؤ بمستقبل المال والطاقة والاقتصاد العالمي مهمة تشبه محاولة قيادة سفينة عبر عاصفة بينما الخريطة تتغير باستمرار. يعتمد الاقتصاديون وصناع السياسات على التوقعات لاتخاذ قرارات بشأن أسعار الفائدة والاستثمارات وإمدادات الطاقة، لكن الأنظمة التي يدرسونها فوضوية؛ فهي مليئة بالصدمات المفاجئة، والارتباطات المعقدة بين الأسواق المختلفة، والسلوكيات التي لا تتبع خطوطاً مستقيمة بسيطة. لعقود من الزمن، كانت الأداة القياسية لهذه المهمة هي نوع من النماذج الإحصائية التي تفترض أن العالم يتحرك وفق أنماط خطية يمكن التنبؤ بها. فكر في الأمر ككتاب قواعد يقول إنه إذا ارتفع شيء ما، فإن شيئاً آخر سينخفض بمقدار ثابت. وبينما تعمل هذه القواعد جيداً في الطقس الهادئ، إلا أنها غالباً ما تفشل عندما يواجه الاقتصاد أزمة أو حرباً أو جائحة، لأن بيانات العالم الحقيقي مليئة بالذيول الثقيلة، والقفزات المفاجئة، والارتباطات الخفية التي لا يستطيع كتاب قواعد بسيط رؤيتها.
تتناول دراسة جديدة أجراها الباحثون إيمانويل غاندي، وجول ساديفو كامديم، وفريدي بوكو هذه المشكلة من خلال بناء محرك تنبؤ يجمع بين أفضل ما في عالمين: الهيكل المنضبط للاقتصاد التقليدي وقوة التعلم المرنة للذكاء الاصطناعي الحديث. لم يقم الفريق بمجرد إلقاء خوارزمية حاسوبية على البيانات والأمل في تحقيق أفضل النتائج، بل صمموا نظاماً يعمل فيه نموذج اقتصادي تقليدي كمرشح أول، يلتقط التحركات الأساسية والمتوقعة للسوق. ثم يتدخل نموذج تعلم آلي لدراسة الأخطاء التي ارتكبها النموذج الأول، بحثاً عن الأنماط غير الخطية الخفية التي أغفلها كتاب القواعد. ومن خلال تدريب الحاسوب على إصلاح الأخطاء التي تركها النموذج التقليدي فقط، أنشأ الباحثون نظاماً هجيناً أكثر دقة وموثوقية من أي من الطريقتين بمفردهما، خاصة خلال أوقات الضغوط الاقتصادية.
اختبر الباحثون فكرتهم باستخدام مجموعة معقدة من سبعة متغيرات شهرية تمثل نبض الاقتصاد العالمي وأسواق الطاقة. وشملت هذه المتغيرات أسعار الفائدة طويلة الأجل، وثقة المستهلك، وعدم اليقين في السياسة العالمية، والإنتاج الصناعي، وأسعار صرف العملات، وأسعار الكهرباء، وسعر خام برنت. امتدت البيانات من يناير 1999 إلى أغسطس 2025، وهي فترة شملت أزمات مالية متعددة، وجائحة، وصراعات جيوسياسية. وقبل بناء نموذجهم الجديد، قام الفريق أولاً بتشغيل النموذج الاقتصادي التقليدي على هذه البيانات ليروا مدى أدائه بمفرده. ووجدوا أنه بينما استطاع النموذج التقاط الاتجاهات العامة، إلا أنه ترك خلفه قدراً كبيراً من البنية غير المفسرة في أخطائه. لم تكن الأخطاء ضوضاء عشوائية، بل أظهرت أنماطاً واضحة من التقلب، والذيول الثقيلة، والتبعية غير الخطية، مما أثبت أن القواعد الخطية البسيطة كانت تفتقر إلى معلومات حاسمة حول كيفية سلوك الاقتصاد تحت الضغط.
ولحل هذه المشكلة، طور الفريق عملية مكونة من مرحلتين. في المرحلة الأولى، قام النموذج التقليدي، المعروف باسم نموذج (VARIMA)، بمعالجة البيانات لتوليد توقع بناءً على العلاقات الخطية. عمل هذا النموذج كقاعدة مستقرة، تتعامل مع التفاعلات القياسية والمتوقعة بين المتغيرات الاقتصادية المختلفة. وتضمنت المرحلة الثانية أخذ الأخطاء، أو البواقي، المتبقية من ذلك التوقع الأول وتغذيتها في خوارزمية تعلم آلي. تم تدريب هذه الخوارزميات، والتي شملت تقنيات مثل تعزيز التدرج والغابات العشوائية، خصيصاً للتعرف على الأنماط المعقدة وغير الخطية المخفية في تلك الأخطاء. وكان التنبؤ النهائي هو ببساً مجموع توقع النموذج التقليدي وتصحيح نموذج التعلم الآلي. ضمن هذا النهج عدم حاجة الكمبيوتر لإعادة تعلم القواعد الأساسية للاقتصاد، مما سمح له بالتركيز بالكامل على السلوكيات غير المنتظمة والصعبة التي تتسبب في فشل النماذج التقليدية.
كانت نتائج هذه التجربة مذهلة. فعندما اختبر الباحثون نماذجهم الهجينة مقابل النموذج التقليدي ومقابل نماذج التعلم الآلي الصرفة التي حاولت التنبؤ بالبيانات من الصفر، فاز النهج الهجين باستمرار. وفي اختبار صارم غطى الفترة من مارس 2023 إلى أغسطس 2025، أنتجت النماذج الهجينة أخطاءً أقل بكثير عبر جميع مقاييس الدقة. فقد عانى النموذج التقليدي وحده خلال الأوقات المضطربة، وغالباً ما تأخر عن التغييرات في العالم الحقيقي، بينما كانت نماذج التعلم الآلي الصرفة أحياناً حساسة للغاية، مما أنتج توقعات ضوضائية وغير مستقرة. ومع ذلك، نجح النظام الهجين في تحقيق توازن مثالي؛ فقد احتفظ باستقرار القواعد الاقتصادية مع اكتساب القدرة على التكيف مع التحولات المفاجئة. واستخدم النسخة الأكثر نجاحاً من نظامهم نوعاً معيناً من التعلم الآلي يسمى "تعزيز التدرج" لتصحيح أخطاء النموذج التقليدي، متفوقة حتى على شبكات التعلم العميق الأكثر تعقيداً التي غالباً ما يُفضل استخدامها في مجالات أخرى.
إن ما يجعل هذا الاكتشاف مهماً بشكل خاص ليس فقط أن الأرقام أفضل، بل إن التحسن يكون أكثر وضوحاً عندما تكون الحاجة إليه ماسة: خلال فترات عدم اليقين العالي وضغوط السوق. أظهرت الدراسة أن النموذج الهجين كان أفضل بكثير في تجنب الأخطاء الجسيمة مقارنة بالطرق الأخرى. وفي عالم التمويل والطاقة، يمكن لخطأ واحد ضخم أن يكون أكثر ضرراً من سلسلة من الأخطاء الصغيرة. ووجد الباحثون أن نهجهم الهجين نجح بفعالية في تخفيف هذه الانحرافات الشديدة، مما حافظ على استقرار التوقعات حتى عندما كان الاقتصاد يتصرف بشكل غير منتظم. وهذا يشير إلى أن الطريقة ليست مجرد خدعة رياضية، بل هي وسيلة قوية للتعامل مع واقع عالم يتغير باستمرار. ومن خلال الاعتراف بأن الاقتصاد يمتلك هيكلاً خطياً وروحاً غير خطية، ابتكر الباحثون أداة يمكنها الإبحار في كل من الهدوء والعاصفة بثقة أكبر.
كما أوضحت الدراسة سبب نجاح هذا المزيج تحديداً. فقد نجح النموذج التقليدي في التقاط الروابط الخطية الواسعة بين المتغيرات، مثل كيف يمكن لتغيير في أسعار الفائدة أن ينتقل ببطء ليؤثر على الإنتاج الصناعي. وهذا ترك لنموذج التعلم الآلي مهمة أبسط: تعلم التعديلات غير الخطية المحددة التي تحدث عندما تنهار تلك القواعد القياسية. هذا التقسيم في العمل منع الكمبيوتر من الارتباك أو "الإفراط في التخصيص" (overfitting) للبيانات، وهي مشكلة شائعة عندما تحاول الخوارماويات تعلم كل شيء في وقت واحد. وأشار الباحثون إلى أنه بينما تعد شبكات التعلم العميق قوية، إلا أنها غالباً ما تتطلب كميات هائلة من البيانات المستقرة لتعمل بشكل جيد، وهو أمر نادر في الاقتصاد. ومن خلال ترك العمل الشاق الخاص بالجانب الخطي للنموذج التقليدي، سمح النظام الهجين لتقنيات التعلم الآلي الأكثر بساطة واستقراراً بالتألق.
في النهاية، يقدم هذا البحث طريقة جديدة للتفكير في التنبؤ الاقتصادي. فهو يشير إلى أن مستقبل التنبؤ لا يكمن في الاختيار بين الاقتصاد "القديم" والذكاء الاصطناعي "الحديث"، بل في إيجاد طريقة لجعلهما يعملان معاً. وتثبت الدراسة أنه من خلال احترام الانضباط الهيكلي للنظرية الاقتصادية واستخدام التعلم الآلي فقط لتصحيح نقاط ضعفها، يمكننا بناء نماذج تكون قابلة للتفسير ودقيقة للغاية في آن واحد. وهذا تمييز جوهري لصناع السياسات والمستثمرين الذين يحتاجون إلى فهم ليس فقط ما هو التوقع، بل لماذا يحدث ذلك. يوفر النموذج الهجين مساراً واضحاً للمضي قدماً، موضحاً أنه عندما نجمع بين اليد الثابتة للنظرية الاقتصادية والعقل المتكيف للتعلم الآلي، يمكننا استباق المستقبل المعقد وغير المتوقع غالباً للاقتصاد العالمي بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.