نموذج هجين من تحويل الموجة الصغيرة - ARNN - ARIMA للتنبؤ بأسعار الفوركس

1. المقدمة

يقدم سوق الصرف الأجنبي (الفوركس)، بحجم تداول يومي يتجاوز 5 تريليون دولار، فرصًا ومخاطر كبيرة. يعد التنبؤ الدقيق بالأسعار أمرًا بالغ الأهمية لاستراتيجيات التداول الفعالة. ومع ذلك، تتسم بيانات الفوركس بتقلب عالٍ وضوضاء وأنماط غير خطية معقدة، مما يجعل التنبؤ تحديًا استثنائيًا. غالبًا ما تفشل النماذج الخطية التقليدية مثل ARIMA في التقاط هذه الديناميكيات. تقترح هذه الورقة منهجية هجينة جديدة تجمع بشكل تآزري بين تنقية البيانات باستخدام تحويل الموجة الصغيرة، والشبكة العصبية المتكررة القائمة على الانتباه (ARNN)، ونموذج المتوسط المتحرك الانحداري التكاملي الذاتي (ARIMA) لمعالجة المكونات الخطية وغير الخطية لسلاسل زمن الفوركس، بهدف تحقيق أداء تنبؤي فائق.

2. الأدبيات ذات الصلة

2.1 تنقية البيانات باستخدام تحويل الموجة الصغيرة

يعد تحويل الموجة الصغيرة أداة قوية لتحليل التردد الزمني، حيث يفصل بشكل فعال بين الإشارة والضوضاء في البيانات المالية غير الثابتة. من خلال تحليل السلسلة الزمنية إلى معاملات تقريب وتفاصيل، فإنه يسمح بالإزالة الانتقائية لمكونات الضوضاء عالية التردد التي يمكن أن تحجب الاتجاهات الأساسية وهياكل الارتباط الذاتي، وهي خطوة معالجة مسبقة حاسمة لتحسين جودة مدخلات النموذج.

2.2 الشبكات العصبية في التمويل

أظهرت الشبكات العصبية، وخاصة الشبكات العصبية المتكررة (RNNs) ومتغيراتها مثل LSTMs، إمكانات في نمذجة السلاسل الزمنية المالية المعقدة وغير الخطية. يسمح دمج آليات الانتباه، كما هو الحال في نماذج مثل Transformer، للشبكة بالتركيز على الملاحظات السابقة الأكثر صلة لإجراء التنبؤ، مما يعزز قدرات نمذجة التسلسل.

2.3 نماذج التنبؤ الهجينة

نموذج "التفكيك والتجميع" راسخ جيدًا. الفكرة الأساسية هي استخدام نماذج مختلفة لالتقاط خصائص بيانات مختلفة (مثل الخطية مقابل غير الخطية، الاتجاه مقابل الموسمية) ثم دمج تنبؤاتها. تكمن مساهمة هذه الورقة في المزيج المحدد لتنقية الموجة الصغيرة للمعالجة المسبقة، وARNN للأنماط غير الخطية، وARIMA للمكونات الخطية المتبقية.

3. المنهجية

3.1 المعالجة المسبقة للبيانات وتنقية الموجة الصغيرة

يتم تحليل سلسلة أسعار الفوركس الأصلية $P_t$ باستخدام تحويل الموجة الصغيرة المنفصل (DWT): $P_t = A_J + \sum_{j=1}^{J} D_j$، حيث $A_J$ هو معامل التقريب (الاتجاه منخفض التردد) و $D_j$ هي معاملات التفاصيل (الضوضاء عالية التردد عند المستوى $j$). يتم تطبيق دالة عتبة (مثل العتبة الناعمة) على معاملات التفاصيل لقمع الضوضاء، يليها إعادة البناء للحصول على السلسلة المنقاة $\tilde{P}_t$.

3.2 بنية الشبكة العصبية المتكررة القائمة على الانتباه (ARNN)

يستخدم النموذج إطار عمل RNN للمشفر-فك التشفير مع طبقة انتباه. يقوم المشفر (خلايا LSTM) بمعالجة تسلسل الإدخال $\tilde{P}_{t-n:t-1}$ وينتج تسلسلًا من الحالات المخفية $h_i$. تقوم آلية الانتباه بحساب متجه السياق $c_t$ كمجموع مرجح لحالات المشفر هذه: $c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$، حيث يتم تعلم أوزان الانتباه $\alpha_{t,i}$ بواسطة شبكة تغذية أمامية. ثم يستخدم LSTM لفك التشفير $c_t$ وحالته السابقة للتنبؤ بالمكون غير الخطي $\hat{N}_t$.

3.3 تحديد نموذج ARIMA

يناسب نموذج ARIMA(p,d,q) العلاقة الخطية في السلسلة الزمنية. بعد أن يلتقط ARNN الجزء غير الخطي، يتم نمذجة السلسلة المتبقية $R_t = \tilde{P}_t - \hat{N}_t$ بواسطة ARIMA: $\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$، حيث $\phi$ و $\theta$ هما متعددا حدود AR و MA، و $B$ هو عامل الإزاحة الخلفية، و $d$ هو ترتيب الاختلاف، و $\epsilon_t$ هو ضضاء بيضاء. هذا ينتج التنبؤ الخطي $\hat{L}_t$.

3.4 استراتيجية التكامل الهجين

التنبؤ النهائي $\hat{P}_t$ هو مزيج جمعي بسيط للتنبؤات من النموذجين المكونين: $\hat{P}_t = \hat{N}_t + \hat{L}_t$. يفترض هذا أن المكونات الخطية وغير الخطية جمعية وقد تم فصلها بشكل فعال من خلال عملية النمذجة.

4. النتائج التجريبية

4.1 مجموعة البيانات والإعداد التجريبي

تم إجراء التجارب على بيانات سعر صرف USD/JPY عالية التردد (كل خمس دقائق). تم تقسيم مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار. تضمنت النماذج الأساسية للمقارنة ARIMA قائمًا بذاته، وLSTM قياسي، وهياكل شبكات عصبية أخرى من الأدبيات ذات الصلة.

4.2 مقاييس الأداء والمقارنة

حقق النموذج الهجين المقترح خطأ جذر متوسط المربعات (RMSE) قدره 1.65 ودقة اتجاهية (DA) تبلغ حوالي 76%. هذا تفوق على جميع النماذج الأساسية. على سبيل المثال، قد يحقق نموذج ARIMA قائم بذاته DA بنسبة ~55-60%، بينما قد يصل LSTM قياسي إلى ~65-70%، مما يسلط الضوء على قيمة النهج الهجين والمعالجة المسبقة.

4.3 تحليل النتائج ومناقشتها

التحسن الكبير في الدقة الاتجاهية جدير بالملاحظة بشكل خاص للتطبيقات التداولية، حيث يكون التنبؤ باتجاه حركة السعر الصحيح (صعود/هبوط) أكثر أهمية في كثير من الأحيان من نقطة السعر الدقيقة. يشير الانخفاض في RMSE إلى تقليل خطأ التنبؤ العام. تؤكد النتائج الفرضية القائلة بأن تنقية الموجة الصغيرة تثبت المدخلات وأن النموذج الهجين يلتقط بشكل فعال كل من التبعيات الخطية وغير الخطية.

5. التحليل الفني ورؤى الخبراء

6. إطار التحليل ومثال تطبيقي

السيناريو: التنبؤ بالشمعة التالية لمدة 5 دقائق لزوج EUR/USD خلال إعلان رئيسي للبنك المركزي (مثل مؤتمر صحفي للبنك المركزي الأوروبي).

تطبيق الإطار:

1. المعالجة المسبقة بالموجة الصغيرة: يتم تحليل سلسلة الأسعار الخام كل 5 دقائق من آخر 4 ساعات (48 نقطة بيانات). يتم وضع عتبة عالية لمعاملات "التفاصيل" عالية التردد التي تتصاعد خلال الإعلان، مما يؤدي إلى تنعيم الضوضاء الدقيقة مع الحفاظ على القفزة الاتجاهية الرئيسية.
2. تفكيك النموذج:
   • مكون ARIMA: ينمذج الزخم الأساسي وميل العودة إلى المتوسط الذي كان موجودًا قبل الأخبار. قد يكون تنبؤه استمرارًا طفيفًا للاتجاه السابق للأخبار.
   • مكون ARNN: تركز آلية الانتباه بشكل كبير على أشرطة الأسعار الأكثر حداثة وتقلبًا بعد الإعلان. تتعلم من أنماط تاريخية مماثلة لـ "صدمات الأخبار" للتنبؤ برد الفعل المفرط قصير المدى المحتمل والارتداد الجزئي اللاحق.
3. التنبؤ الهجين: التنبؤ النهائي = (التنبؤ القائم على الاتجاه لـ ARIMA) + (تعديل تأثير الأخبار لـ ARNN). هذا أكثر دقة من أي نموذج بمفرده، والذي قد إما يقلل من رد الفعل (ARIMA) أو يبالغ في التكيف مع الضوضاء (RNN قياسي على بيانات خام).

7. التطبيقات المستقبلية والاتجاهات

• التنبؤ متعدد الأصول وعبر الأسواق: توسيع الإطار لنمذجة الارتباطات بين أزواج الفوركس والأسهم والسندات. يمكن لمشفر ARNN معالجة سلاسل زمنية متعددة ذات صلة في وقت واحد.
• التكامل مع التعلم المعزز (RL): استخدام تنبؤات النموذج الهجين كتمثيل للحالة لعامل RL يتعلم سياسات تنفيذ تداول مثلى، مما يحسن الربحية مباشرة بدلاً من خطأ التنبؤ.
• تحسينات الذكاء الاصطناعي القابل للتفسير (XAI): تطوير طرق لربط التنبؤ النهائي باتجاهات خطية محددة (عبر معاملات ARIMA) ونقاط زمنية ماضية محددة (عبر خرائط انتباه ARNN)، مما يوفر للمتداولين أسبابًا قابلة للتنفيذ للتنبؤ.
• التعلم التكيفي عبر الإنترنت: تنفيذ آليات للنموذج لتحديث معلماته باستمرار ببيانات جديدة بطريقة تدفقية للتكيف مع أنظمة السوق المتغيرة، والانتقال إلى ما بعد نماذج التدريب-الاختبار الثابتة.

8. المراجع

1. بنك التسويات الدولية (BIS). (2019). المسح الثلاثي للبنوك المركزية لأسواق الصرف الأجنبي والمشتقات خارج البورصة.
2. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
4. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
5. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
6. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67-82.
7. DeepMind. (2023). Research in Adaptive Agents. Retrieved from https://www.deepmind.com/research/highlighted-research/adaptive-agents