يمثل التنبؤ الدقيق بأسعار الأسهم تحديًا بحثيًا وتطبيقيًا مستمرًا، إذ تتحرك الأسواق تحت تأثير عوامل متشابكة وسلوكيات متقلبة تجعل نماذج التنبؤ المفردة عرضة للتفوق في ظروف والتعثر في أخرى، فيتفوق نموذج في موجات الصعود ويتفوق غيره في موجات الهبوط، ومن هنا يبرز التوجه نحو الخوارزميات الهجينة التي لا تختار نموذجًا واحدًا نهائيًا بل تدير التبديل الذكي بين النماذج بحسب أدائها الحديث في الاتجاه المتوقع
وفي هذا الإطار تقترح الدراسة خوارزمية هجينة للتعلم الآلي ترفع دقة التنبؤ بأسعار الأسهم عبر اختيار النموذج الأمثل استنادًا إلى الاحتمالات المتوقعة للاتجاهات الصاعدة والهابطة قصيرة الأجل، فبدل المفاضلة الثابتة بين نموذج الشبكة العصبية ونموذج الغابة العشوائية تجعل الخوارزمية قرار الاختيار ديناميكيًا يتجدد مع كل تنبؤ بحسب سجل كل نموذج في إصابة الاتجاه خلال الفترة السابقة مباشرة
أولًا: أهداف الدراسة ومنهجيتها
وظفت الدراسة نموذج الذاكرة طويلة قصيرة الأمد ونموذج الغابة العشوائية للتنبؤ بسعر الإغلاق في اليوم التالي، ثم اختارت النموذج الأمثل بينهما استنادًا إلى أداء كل منهما الإحصائي في التنبؤ بالاتجاهات الصاعدة والهابطة خلال أيام التداول الستين السابقة، وحددت التنبؤ النهائي وفق هذا الاختيار، واختبرت الطريقة تجريبيًا على تسعة أسهم من بورصتي شنغهاي وشنتشن عبر الفترة من الأول من يناير 2018 إلى الحادي والثلاثين من ديسمبر 2023، وقارنت أداءها بنماذج الغابة العشوائية والشبكات الالتفافية والذاكرة طويلة قصيرة الأمد والوحدات المتكررة البوابية وتركيباتها المختلفة ونموذج المشفر التلقائي مع الذاكرة طويلة قصيرة الأمد، باستخدام مقاييس دقة الاتجاه ومتوسط الخطأ النسبي المطلق
ثانيًا: أبرز النتائج
1، تفوقت الطريقة المقترحة على جميع النماذج المقارنة في مقاييس دقة الاتجاه الكلية والصاعدة والهابطة، إذ تحسنت دقة الاتجاه الكلية بنحو 2 إلى 5 في المئة وانخفض متوسط الخطأ النسبي المطلق بنحو 1 إلى 2 في المئة
2، أدى نموذج الذاكرة طويلة قصيرة الأمد أداء أفضل في التنبؤ بالاتجاهات الصاعدة، بينما كان نموذج الغابة العشوائية أكثر فاعلية في التنبؤ بالاتجاهات الهابطة، وهو ما يبرر منطق الاختيار الديناميكي بينهما
3، تفوقت دالة التفعيل الظل الزائدي على دالة التفعيل الخطية المصححة في نماذج التعلم العميق المستخدمة للتنبؤ بأسعار الأسهم
ثالثًا: دلالات الدراسة وتطبيقاتها
تقدم هذه النتائج درسًا منهجيًا يتجاوز التنبؤ بالأسهم إلى عموم تطبيقات التعلم الآلي التنبؤية، مفاده أن تفوق النماذج مشروط بطبيعة الظاهرة المتنبأ بها ومرحلتها، وأن بناء آليات اختيار تكيفية ترصد الأداء الحديث لكل نموذج قد يدر مكاسب دقة لا تحققها زيادة تعقيد نموذج واحد، ويفتح ذلك الباب أمام أنظمة تداول وتنبيه تستبدل ولاءها للنموذج الواحد بإدارة محفظة نماذج متنافسة، كما أن الاعتماد على نافذة أداء متحركة قدرها ستون يومًا يجعل الاختيار حساسًا لتغير أنظمة السوق، فيتأقلم النموذج المختار مع المرحلة الراهنة بدل تجميد قرار اتخذ في ظروف سابقة مختلفة
وعلى الصعيد التطبيقي تحمل الخوارزمية قيمة عملية لبحوث خوارزميات الاستثمار وإدارات المخاطر، إذ تساعد دقة الاتجاه المحسنة على توقيت قرارات الشراء والبيع والتحوط بصورة أفضل، مع بقاء التحفظ واجبًا بأن الأداء التاريخي على تسعة أسهم صينية لا يضمن النجاح في أسواق أخرى أو فترات اضطراب استثنائية، وهو ما يدعو الباحثين العرب في التمويل الحاسوبي إلى اختبار المنطق ذاته على أسهم الأسواق العربية وخصائصها المؤسسية المختلفة
وينبغي أخيرًا التمييز بين دقة التنبؤ بالاتجاه وقابلية تحويلها إلى عوائد فعلية، فتكاليف المعاملات والانزلاق السعري وسيولة الأسهم عوامل قد تلتهم مكاسب النماذج النظرية، ومن ثم تحتاج الخوارزميات الواعدة إلى اختبارات محاكاة تداول واقعية قبل اعتمادها في قرارات استثمارية حقيقية، حتى لا تبقى الدقة الإحصائية نجاحًا مخبريًا لا يصمد أمام احتكاك السوق الفعلي
وخلاصة القول إن الخوارزمية الهجينة القائمة على اختيار النموذج باحتمالات الاتجاه قصير الأجل حسنت دقة التنبؤ بأسعار الأسهم وخفضت خطأها مقارنة بثمانية نماذج منافسة، مستفيدة من تفوق الذاكرة طويلة قصيرة الأمد صعودًا والغابة العشوائية هبوطًا
