Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

إن التنبؤ بمستقبل المال والأسواق يعد أحد أصعب التحديات في العلم. فقد اعتمد الاقتصاديون والمحللون الماليون لفترة طويلة على الأدوات الإحصائية لتخمين الاتجاه الذي ستسلكه الأسعار لاحقاً، سواء كان ذلك لسهم واحد، أو برميل نفط، أو وحدة من الغاز الطبيعي. تعمل هذه الأدوات بشكل جيد عندما يتحرك الماضي في خط مستقيم يمكن التنبؤ به، لكن العالم الحقيقي نادراً ما يكون بهذه البساطة؛ فالأسواق المالية فوضوية، ومتقلبة، ومليئة بالقفزات المفاجئة التي لا تتبع نمطاً واضحاً. وللتعامل مع هذه الفوضى، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديداً إلى نوع من البرامج الحاسوبية يسمى "الشبكة العصبية". صُممت هذه البرامج للتعلم من البيانات، واكتشاف الأنماط الخفية التي قد تغفل عنها العين البشرية. ومع ذلك، هناك عقبة: لكي تصبح هذه البرامج ذكية بما يكفي لفهم الأسواق الفوضوية، يتعين على العلماء غالباً جعلها معقدة للغاية، بحيث تحتوي على آلاف الأجزاء الداخلية التي تعمل معاً. وهذا التعقيد يجعل هذه البرامج بطيئة، ومكلفة في التشغيل، وصعبة الإدارة. وقد كان السؤال الجوهري للباحثين هو ما إذا كانت الطريقة الوحيدة للحصول على تنبؤ أفضل هي بناء آلة أكبر وأكثر تعقيداً، أم أن هناك طريقة أذكى لتجهيز البيانات قبل إدخالها.

لقد وضع فريق من الباحثين حداً لهذا التساول من خلال اختبار هذه المقايضة بدقة. أرادوا معرفة ما إذا كان تنظيف البيانات الخام قبل تقديمها لبرنامج الحاسوب يمكن أن يؤدي المهمة نفسها التي يقوم بها جعل البرنامج نفسه أكثر قوة. وللقيام بذلك، جمعوا ثلاثة أنواع مختلفة تماماً من البيانات المالية: السعر اليومي لسهم شركة أبل، وسعر خام برنت، وسعر الغاز الطبيعي. وقد اختيرت هذه الأنواع لأن سلوكها فريد من نوعه؛ فسهم أبل نما بشكل ثابت على مدى عقود، وأسعار النفط تتأرجح بجنون مع الأحداث العالمية، وأسعار الغটি الطبيعي تقفز وتتراجع بتقلّب شديد. أخذ الباحثون هذه الأرقام الخام وحاولوا التنبؤ بسعر اليوم التالي باستخدام ثلاثة أنواع مختلفة من الشبكات العصبية. كان النوع الأول نموذجاً بسيطاً ومباشراً. والثاني نموذجاً أكثر تقدماً يتذكر الأحداث الماضية بشكل أفضل. أما الثالث فكان الأكثر تعقيداً، وقادراً على النظر في البيانات من الماضي والمستقبل معاً لإيجده روابط أعمق.

وبدلاً من مجرد تغذية هذه النماذج بالأرقام الخام، جرب الباحثون نهجاً مختلفاً. فقبل أن يرى الحاسوب البيانات، استخدموا تقنيات رياضية لتفكيك تاريخ الأسعار الفوضوي إلى قطع أصغر وأبسط. تخيل أغنية معقدة يصعب غناؤها لأن فيها الكثير من النغمات التي تحدث في وقت واحد؛ إذا استطعت فصل اللحن عن الإيقاع الخلفي وخط الباص (القرار)، فسيكون كل جزء منها أسهل بكل بساطة في غنائه بمفرده. فعل الباحثون شيئاً مشابهاً مع البيانات المالية؛ حيث استخدموا خمس طرق مختلفة لتقسيم تاريخ الأسعار إلى مكونات منفصلة، مثل الاتجاه طويل الأجل، والتموجات قصيرة الأجل، والضجيج العشوائي. ثم علموا الحاسوب التنبؤ بكل قطعة بسيطة من هذه القطع على حدة، ثم أضافوا النتائج معاً للحصول على توقع نهائي.

كانت نتائج هذه التجربة مذهلة. فقد وجد الباحثون أن تفكيك البيانات إلى قطع أبسط سمح للنماذج الحاسوبية بأداء عملها بشكل أفضل بكثير، حتى عندما ظلت النماذج نفسها صغيرة وبسيطة. وفي الواقع، كانت الطريقة الأكثر فعالية لتنظيف البيانات هي تقنية تسمى "تفكيك الوضع التبايني" (variational mode decomposition). وعند استخدام هذه الطريقة، حققت النماذج تنبؤات أكثر دقة بشكل ملحو-ظ مقارنة بما كانت عليه عند تغذيتها بالبيانات الخام. ولعل الأهم من ذلك، هو أن النماذج لم تكن بحاجة إلى أن تكون معقدة لتحقيق هذه النتائج؛ فبالنسب-ة لأكثر النماذج الحاسوبية تقدماً، والتي تتطلب عادةً مئات الأجزاء الداخلية لتعمل جيداً على البيانات الخام، وجد الباحثون أن بإمكانهم تقليص عدد الأجزاء بمقدار عشرة أضعاف أو أكثر عند معالجة البيانات مسبقاً. على سبيل المثال، النموذج الذي كان يحتاج إلى مائة جزء داخلي للتنبؤ بأسعار النفط بدقة، يمكنه تحقيق نفس النتائج أو أفضلها باستخدام خمسة أجز فقط إذا تم تنظيف البيانات أولاً.

يشير هذا الاكتشاف إلى أنه بالنسبة للتنبؤات قصيرة المدى للأسواق المالية، فإن سر النجاح يكمن في تجهيز البيانات بشكل صحيح، وليس في بناء آلة ضخمة ومعقدة. لقد أظهرت الدراسة أن نموذجاً بسيطاً ببيانات نظيفة غالباً ما يتفوق على نموذج معقد ببيانات فوضوية. وهذا اكتشاف هام لأي شخص يعتمد على هذه التنبؤات، من المتداولين إلى صانعي السياسات. وهذا يعني أن أنظمة التنبؤ يمكن جعلها أسرع، وأرخص، وأكثر كفاءة دون التضحية بالدقة. فبدلاً من إنفاق الموارد على بناء شبكات عصبية أكبر، يمكن تحويل التركيز إلى فهم وتنظيم البيانات نفسها. وقد خلص الباحثون إلى أنه بالنسبة للطبيعة الفوضوية والمتقلبة للسلاسل الزمنية الاقتصادية، فإن الإشارة المُجهزة جيداً هي أقوى من البنية العميقة والمعقدة. ويقدم هذا النهج مساراً عملياً لإنشاء أدوات تنبؤ ليست دقيقة فحسب، بل أيضاً كفؤة بما يكفي للاستخدام في البيئات الواقعية سريعة الوتيرة.