يمثل التنبؤ الدقيق بأسعار صرف العملات الأجنبية تحديًا مركزيًا في اتخاذ القرارات المالية، نظرًا للطبيعة غير الخطية والعشوائية لبيانات الأسواق، وتتداخل فيه الحاجة إلى نماذج تعلم آلي سريعة وقادرة على التقاط الأنماط المعقدة دون الوقوع في فرط التخصيص، وفي هذا الإطار تقترح هذه الدراسة نموذج تنبؤ هجينًا يجمع بين آلة التعلم المتطرفة والخوارزمية الجينية وخوارزمية دورة الماء القائمة على التبخر، بهدف رفع دقة التنبؤ بأسعار الصرف واستقرارها مقارنة بالنماذج المنافسة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء نموذج هجين للتنبؤ بأسعار الصرف واختبار تفوقه إحصائيًا على نماذج الأساس، وطبقت النموذج المقترح على ثلاثة أزواج من العملات هي الدولار الأمريكي مقابل الروبية الهندية، والريال السعودي مقابل الروبية الهندية، والدولار السنغافوري مقابل الروبية الهندية، مستخدمة أربعة آلاف سجل يومي تمتد من عام 2005 إلى عام 2020، وأعيد بناء مجموعات البيانات بمؤشرات فنية، وقوّمت في صورتين مفصولة وغير مفصولة، وقيس الأداء بجذر متوسط مربع الخطأ ومتوسط نسبة الخطأ المطلقة ومعامل التحديد عبر آجال تنبؤ قصيرة وطويلة، مع تحليل للتقارب واختبار فريدمان للتحقق الإحصائي
ثانيًا: أبرز النتائج
أظهرت النتائج أن النموذج المقترح تفوق باستمرار على نماذج الأساس الثلاثة التي تجمع آلة التعلم المتطرفة بالخوارزمية الجينية أو بخوارزمية دورة الماء بصورتيها، إذ حقق خفضًا في جذر متوسط مربع الخطأ بلغ حتى اثني عشر في المئة، وتحسينات في متوسط نسبة الخطأ المطلقة تراوحت بين ثمانية وعشرة في المئة، وتجاوزت قيم معامل التحديد 0.99 في أزواج العملات المدروسة، وأكد تحليل التقارب أن النموذج يصل إلى الحلول المثلى بسرعة واستقرار أكبر، فيما أثبت التحقق الإحصائي باختبار فريدمان متانة هذا التفوق، بما يجعل النموذج إطارًا جديرًا بالاعتماد إحصائيًا للتنبؤ بأسعار الصرف عبر مجموعات بيانات متعددة
ويعكس هذا التفوق أثر التكامل بين مكونات النموذج الثلاثة، إذ تمنح آلة التعلم المتطرفة سرعة التعلم وقدرته على التعميم، وتضبط الخوارزمية الجينية معالم النموذج وأوزانه، فيما تحسن خوارزمية دورة الماء القائمة على التبخر البحث عن الحلول المثلى وتفادي الوقوع في حلول محلية دون المستوى الأمثل، وقد ظهر هذا التكامل متسقًا عبر الأزواج الثلاثة وعبر الصورتين المفصولة وغير المفصولة للبيانات وآجال التنبؤ القصيرة والطويلة، بما يشير إلى أن ميزة النموذج بنيوية لا ترتبط بعملة بعينها أو بفترة زمنية محددة من فترات السوق وحدها
ثالثًا: دلالات الدراسة وتطبيقاتها
تنفتح هذه النتائج على تطبيقات محتملة في أنظمة دعم القرار المالي وإدارة المخاطر لدى المتعاملين في أسواق الصرف، غير أن الدراسة تنبه إلى أن الآثار الاقتصادية للنموذج ما تزال بحاجة إلى تحقق إضافي عبر محاكاة تداول فعلية وأطر اختبار رجعي قبل اعتباره أداة لتقليل المخاطر لدى المستثمرين، فالدقة الإحصائية العالية لا تعني بالضرورة ربحية مؤكدة في أسواق حية تتغير ظروفها، وتدعو الدراسة إلى بحوث لاحقة تدمج النموذج في بيئات تداول محاكاة، وتختبره على أزواج عملات وأسواق أخرى، وتفحص حساسيته لفترات التقلب الشديد والأزمات المالية
وعلى الصعيد التطبيقي، يمكن أن يوظف النموذج داخل أنظمة معلومات الخزينة وإدارة السيولة لدى الشركات المستوردة والمصدرة التي تتعامل بالعملات المدروسة، وأن يطوَّر إلى لوحات متابعة دورية تنذر باتجاهات الصرف، شرط ربط إشاراته بقواعد قرار واضحة تحد من مخاطر الاعتماد الآلي الكامل عليه، كما تبرز أهمية إعادة تدريب النموذج دوريًا كلما تجددت بيانات السوق وتغيرت أنظمته الحاكمة، وتبقى المقارنة المستقبلية مع نماذج التعلم العميق الحديثة وأدوات معالجة السلاسل الزمنية الكبيرة خطوة لازمة لتثبيت موقع هذا النموذج الهجين في خريطة أدوات التنبؤ المالي المعاصرة
وثمة جانب تطبيقي آخر يستحق الإبراز، وهو أن بساطة بنية آلة التعلم المتطرفة قياسًا بنماذج التعلم العميق الضخمة تجعل تشغيل النموذج الهجين ممكنًا على بنى تقنية متواضعة وبكلفة حاسوبية منخفضة، وهو اعتبار مهم للمؤسسات المالية المتوسطة والصغيرة في الاقتصادات النامية التي تتعامل بالعملات المدروسة، غير أن هذه الميزة لا تلغي الحاجة إلى حوكمة صارمة لنماذج التنبؤ، تشمل توثيق البيانات والافتراضات ومراجعة الأداء دوريًا، حتى لا تتحول الثقة المفرطة بالنموذج ذاتها إلى مصدر جديد للمخاطر التشغيلية
وخلاصة القول إن الدراسة تقدم نموذجًا هجينًا للتنبؤ بأسعار الصرف يتفوق بدقة واستقرار موثقين إحصائيًا على النماذج المنافسة عبر ثلاثة أزواج من العملات، ويمثل خطوة واعدة نحو أدوات تنبؤ مالي أدق متى استُكمل تحققها في بيئات التداول الفعلية
