طور علماء من روسيا خوارزمية للتنبؤات الدقيقة للسلسلة المالية

السلسلة الزمنية المالية هي سلسلة من القيم التي تتغير مع مرور الوقت، مثل أسعار الأسهم أو تقلبات الأسهم (مدى تقلب تلك الأسعار). من الصعب التنبؤ بمثل هذه البيانات لأنها تتأثر بالعديد من العوامل: الأخبار، وسلوك المستثمرين، والتغيرات التكنولوجية والأحداث العشوائية. غالبًا ما تتداخل هذه التأثيرات، مما يتسبب في عدم استقرار أنماط البيانات. ولذلك، فإن نماذج التنبؤ إما تتطلب تخصيصًا معقدًا لحالة معينة، أو تنتج نتائج لن تكون قابلة للتطبيق في الممارسة العملية. اقترح باحثون من المختبر العلمي والتعليمي لنماذج وأساليب البراغماتية الحسابية بكلية علوم الكمبيوتر بالمدرسة العليا للاقتصاد بجامعة الأبحاث الوطنية استخدام تحويلات المويجات للتنبؤ بشكل أكثر دقة بالسلاسل الزمنية المالية. تعد تحويلات المويجات طريقة لتمثيل سلسلة زمنية كمجموع مكونات ذات تفاصيل مختلفة وضوضاء منفصلة بأوامر مختلفة. ونشرت النتائج في مجلة الحوسبة الناعمة التطبيقية. ولاختبار ذلك، أخذوا بيانات حقيقية عن 89 أصلًا ماليًا – أسهم الشركات والعملات المشفرة. كانت هذه سلسلة من متوسط ​​الأسعار اليومية والتقلبات المحققة المحسوبة من البيانات بزيادات مدتها خمس دقائق. وتم تقسيم هذه الأصول إلى مجموعات، وبعد ذلك تم اختيار الأصول الرائدة في كل مجموعة. وفيها، قارن المؤلفون بين الأساليب المختلفة للتنبؤ: نماذج الاقتصاد القياسي الكلاسيكية، وأساليب التعلم الآلي، والشبكات العصبية والخوارزمية الخاصة بهم – طريقة التصحيح الثلاثي. في المجموع، قاموا باختبار 200 ألف تكوين نموذجي. وأظهرت خوارزمية المؤلفين نتائج جيدة. وعلى عكس النماذج الكلاسيكية، لم تستخدم معلمات محددة مسبقًا، ولكنها قامت بتحديثها في كل خطوة تنبؤية وأخذت في الاعتبار في الوقت نفسه عدة أنواع من الانحرافات في البيانات. ونتيجة لهذا، تم تكييف الطريقة بشكل أفضل مع تغيرات السوق. في سلسلة متوسط ​​الأسعار اليومية، احتلت المركز الثاني، وهي أدنى قليلاً من التوقعات الساذجة في الترتيب العام وفقًا لكوبلاند وتتفوق على الطرق الأخرى في المقارنة الكاملة للقيم المطلقة. بالنسبة لسلسلة التقلبات، كانت النتائج أقل وضوحًا، ولكن عند دمجها مع تحويلات المويجات، غالبًا ما أعطت الطريقة أفضل التوقعات أو قريبة منها. وفي الوقت نفسه، ظل أبسط من الناحية الحسابية من العديد من البدائل ولم يتطلب اختيارًا معقدًا للمعلمات. “على الرغم من أن طريقة التصحيح الثلاثي لا تعطي دائمًا أفضل النتائج لكل سلسلة محددة، فإنها تظهر باستمرار توقعات جيدة لمعظم الحالات، وهذا ما نفتقر إليه غالبًا في الممارسة. يمكن للنماذج المتخصصة للغاية أن تعمل بشكل أفضل، ولكنها تفقد كفاءتها بسرعة عندما تتغير الظروف”، يعلق أحد مؤلفي الدراسة، وهو باحث في مختبر أبحاث النماذج وطرق البراغماتية الحاسوبية في كلية علوم الكمبيوتر في المدرسة العليا للاقتصاد بجامعة الأبحاث الوطنية فياتشيسلاف مانيفيتش. وقد أظهرت التجارب أن تحويلات المويجات تعمل على تحسين التوقعات في أكثر من 65% من الحالات. على عكس تحويل فورييه، على سبيل المثال، فإنها تسمح لك بمراعاة وقت الإشارة وترددها في نفس الوقت. ونتيجة لذلك، يتلقى النموذج بيانات أكثر وضوحًا ويمكنه التقاط الأنماط بدقة أكبر. ومع ذلك، يعتمد التأثير على نوع البيانات: بالنسبة لأسعار الأسهم، ساعدت التحولات على عزل الاتجاه بشكل أفضل على خلفية ضجيج السوق، وبالنسبة للتقلبات، فقد ساعدت التحولات بشكل أفضل في وصف التغيرات الحادة وغير المتساوية التي عادة ما تجعل التنبؤ صعبًا بشكل خاص. ويؤكد المؤلفون أنه حتى التحسينات الصغيرة في الدقة باستخدام مثل هذه الأساليب يمكن أن توفر زيادة كبيرة في الأرباح، خاصة عند السرعات العالية. في المستقبل، يخطط الباحثون لدراسة كيفية اختيار تحويلات المويجات المثالية تلقائيًا وكيفية توسيع الطريقة لتشمل تنبؤات متعددة الخطوات – على سبيل المثال، لمشاكل في الأعمال التجارية أو الطاقة أو الطب، حيث يكون من المهم التنبؤ ليس فقط بالخطوة التالية، ولكن أيضًا بالتغيرات طويلة المدى.