نموذج التجميع والانتباه للتداول الذكي في سوق الفوركس

1. المقدمة

سوق صرف العملات الأجنبية (الفوركس) هو أكبر سوق مالي في العالم، ويتميز بسيولة عالية وتقلب وتعقيد. يُعد التنبؤ بحركات أسعار الفوركس أمرًا صعبًا للغاية بسبب تأثير العديد من العوامل الاقتصادية الكلية والأحداث الجيوسياسية ومعنويات السوق. التحليل الفني التقليدي، على الرغم من فائدته، غالبًا ما يفشل في التكيف مع التحولات السوقية المفاجئة أو أحداث "البجعة السوداء". تقدم هذه الورقة البحثية نهجًا جديدًا للتعلم الآلي يجمع بين تقنيات التجميع وآليات الانتباه لتحسين دقة التنبؤ، مستهدفًا على وجه التحديد ظروف السوق المفرطة في البيع لاستراتيجيات التداول القائمة على الأحداث. يستخدم النموذج بيانات الفوركس التاريخية والمؤشرات الفنية المشتقة من عام 2005 إلى 2021.

2. الأدبيات ذات الصلة

يستند البحث إلى النظرية المالية الراسخة وتطبيقات التعلم الآلي في التمويل الكمي.

2.1 المؤشرات الفنية

المؤشرات الفنية هي حسابات رياضية تعتمد على السعر التاريخي أو الحجم أو الفائدة المفتوحة، وتُستخدم للتنبؤ باتجاه السوق المالي. يدمج النموذج عدة مؤشرات رئيسية.

2.1.1 مؤشر القوة النسبية (RSI)

مؤشر القوة النسبية (RSI) هو مؤشر تذبذب للزخم يقيس سرعة وتغير حركات السعر. يُستخدم لتحديد حالات الشراء المفرط أو البيع المفرط.

الصيغة: $RSI = 100 - \frac{100}{1 + RS}$ حيث $RS = \frac{\text{متوسط الربح على مدى N فترة}}{\text{متوسط الخسارة على مدى N فترة}}$.

يشير مؤشر القوة النسبية (RSI) أقل من 30 عادةً إلى حالة بيع مفرط (فرصة شراء محتملة)، بينما يشير مؤشر القوة النسبية (RSI) أعلى من 70 إلى حالة شراء مفرط (فرصة بيع محتملة).

2.1.2 المتوسط المتحرك البسيط (SMA)، المتوسط المتحرك الأسي (EMA)، مؤشر التقارب والتباعد للمتوسطات المتحركة (MACD)

المتوسط المتحرك البسيط (SMA) هو المتوسط غير المرجح للنقاط السابقة N من البيانات. المتوسط المتحرك الأسي (EMA) يعطي وزنًا أكبر للأسعار الحديثة. مؤشر التقارب والتباعد للمتوسطات المتحركة (MACD) هو مؤشر زخم يتبع الاتجاه.

الصيغة: $MACD = EMA(\text{12 فترة}) - EMA(\text{26 فترة})$.

يُستخدم خط الإشارة (المتوسط المتحرك الأسي لمدة 9 أيام لمؤشر MACD) لتوليد إشارات التداول. تشير عمليات التقاطع بين مؤشر MACD وخط الإشارة إلى اتجاهات صعودية أو هبوطية محتملة.

2.1.3 نطاقات بولينجر

تتكون نطاقات بولينجر من خط متوسط متحرك بسيط في المنتصف مع نطاقين خارجيين مرسومين عند مستويات الانحراف المعياري (عادةً 2). تقيس تقلب السوق. غالبًا ما يسبق الضغط (ضيق النطاقات) فترة من التقلب العالي، بينما قد تشير حركة السعر خارج النطاقات إلى استمرار الاتجاه أو انعكاسه.

3. الفكرة الأساسية والتسلسل المنطقي

الفكرة الأساسية: الرهان الأساسي للورقة هو أن نماذج السلاسل الزمنية للسعر/المؤشر البحت قصيرة النظر. من خلال تجميع أنظمة السوق المتشابهة أولاً (مثل: البيع المفرط عالي التقلب، التجميع منخفض التقلب) ثم تطبيق آلية انتباه ضمن تلك السياقات، يمكن للنموذج عزل الإشارة من الضوضاء بشكل أكثر فعالية من شبكة LSTM أو GRU أحادية البنية. هذا شكل من أشكال النمذجة المشروطة—حيث يتم تحديد سلوك الشبكة بشكل صريح بناءً على حالة السوق المحددة.

التسلسل المنطقي: خط المعالجة تسلسلي أنيق: 1) هندسة الميزات: يتم تحويل بيانات OHLC الأولية إلى مجموعة غنية من المؤشرات الفنية (RSI، MACD، موقع نطاق بولينجر). 2) تجميع النظام: تقوم خوارزمية تجميع (على الأرجح K-Means أو نموذج الخليط الغاوسي) بتقسيم الفترات التاريخية إلى حالات متميزة بناءً على ملفات المؤشرات. 3) التنبيه الواعي بالسياق: بالنسبة لنقطة بيانات معينة، يحدد النموذج أولاً عنقودها. ثم، تعالج نموذج تسلسل قائم على الانتباه (مثل مُشفر Transformer) التاريخ الحديث، حيث يمكن تعديل أوزان الانتباه الخاصة به من خلال هوية العنقود، للتنبؤ باحتمالية عودة المتوسط المربحة من حالة البيع المفرط.

4. نقاط القوة والضعف

نقاط القوة:

• الابتكار المعماري: خطوة المعالجة المسبقة للتجميع هي طريقة عملية لإدخال معالجة عدم الاستقرار، وهو صداع كلاسيكي في التمويل الكمي. إنها أكثر قابلية للتفسير من الأمل في أن تتعلم شبكة عميقة الأنظمة بشكل ضمني.
• التركيز على السيناريوهات القابلة للتنفيذ: استهداف حالات "البيع المفرط" هو قيد ذكي. يحول مشكلة التنبؤ المفتوحة إلى تصنيف ثنائي أكثر قابلية للإدارة: "هل إشارة البيع المفرط الحالية هذه فرصة شراء حقيقية أم فخ؟"
• الاستناد إلى مؤشرات راسخة: استخدام المؤشرات الفنية المعروفة كميزات يجعل مدخلات النموذج مفهومة للمتداولين التقليديين، مما يسهل التبني المحتمل.

نقاط الضعف والفجوات الحرجة:

• خطر انحياز التنقيب في البيانات: مجموعة بيانات 2005-2021 تشمل أزمات متعددة (2008، كوفيد-19). بدون تحليل تقدمي صارم أو اختبار خارج العينة على أنظمة سوقية غير مرئية تمامًا (مثل: 2022-2024 مع الحرب والتضخم)، فإن خطر الإفراط في التخصيب شديد.
• انتباه الصندوق الأسود: على الرغم من أن طبقات الانتباه قوية، يظل تفسير سبب انتباه النموذج إلى فترات ماضية معينة أمرًا صعبًا. في التمويل المنظم، "القدرة على التفسير" ليست مجرد ميزة إضافية.
• غياب مناقشة مصدر ألفا: الورقة صامتة بشأن تكاليف المعاملات، الانزلاق السعري، وإدارة المخاطر. قد تُدمر استراتيجية تبدو رائعة في الاختبارات الخلفية بسبب الاحتكاكات الواقعية. هل تبقى الحافة المتوقعة بعد التكاليف؟

5. رؤى قابلة للتطبيق

للصناديق الكمية والمتداولين الخوارزميين:

1. تكرار نهج تجميع النظام: قبل بناء نموذج التنبؤ العميق التالي، قم بتقسيم بياناتك التاريخية إلى أنظمة. يمكن لهذه الخطوة البسيطة أن تحسن استقرار النموذج بشكل كبير. استخدم مقاييس مثل التقلب وقوة الاتجاه والارتباط لميزات التجميع.
2. اختبار الإجهاد على "تحولات النظام": لا تختبر فقط على تقسيمات زمنية عشوائية. اختبر أداء نموذجك عمدًا خلال تحولات النظام المعروفة (مثل: الانتقال إلى أزمة 2008 أو انهيار كوفيد 2020). هذا هو الاختبار الحاسم الحقيقي.
3. التهجين مع البيانات الأساسية: التطور التالي هو إدخال خوارزمية التجميع ليس فقط المؤشرات الفنية ولكن أيضًا لمحات البيانات الكلية (معنويات البنك المركزي من الأخبار، بيانات منحنى العائد). يمكن أن يخلق هذا تعريفات نظام أكثر قوة.
4. المطالبة بالقدرة على التفسير: نفذ أدوات مثل SHAP أو LIME لتفسير أوزان الانتباه. أي الأيام الماضية اعتبرها النموذج مهمة للتنبؤ؟ هذا الأثر التدقيقي حاسم لكل من التحقق والامتثال التنظيمي.

6. التحليل الأصلي

يمثل النموذج المقاول محاولة متطورة لمعالجة مشكلة عدم الاستقرار الكامنة في السلاسل الزمنية المالية—وهو تحدٍ تم تسليط الضوء عليه في أعمال أساسية مثل "التقدم في التعلم الآلي المالي" لماركوس لوبيز دي برادو. من خلال استخدام التجميع كخطوة معالجة مسبقة لتحديد أنظمة السوق المتميزة، ينشئ المؤلفون بشكل فعال بنية مشروطة. هذا متفوق من الناحية المفاهيمية على إدخال البيانات التسلسلية الأولية في شبكة LSTM أحادية البنية، والتي غالبًا ما تواجه صعوبة في تكييف حالتها الداخلية مع ديناميكيات السوق المتغيرة، كما لوحظ في الدراسات التي تقارن شبكات RNN التقليدية مع البنى الأكثر حداثة للتمويل (مثل: بوروفكوفا وتسياماس، 2019).

يسمح دمج آلية الانتباه، المستوحى على الأرجح من نجاح المحولات (Transformers) في معالجة اللغة الطبيعية (فاسواني وآخرون، 2017)، للنموذج بوزن أهمية النقاط التاريخية المختلفة ديناميكيًا. في سياق إشارة مؤشر القوة النسبية (RSI) المفرطة في البيع، قد يتعلم النموذج الانتباه بقوة إلى أحداث البيع المفرط المماثلة في الماضي التي أعقبها انعكاسات، مع تجاهل تلك التي أدت إلى مزيد من الانخفاضات. هذا التركيز الانتقائي هو تقدم رئيسي على المتوسطات المتحركة التي تعامل جميع البيانات السابقة على قدم المساواة.

ومع ذلك، فإن إمكانات النموذج مشروطة بجودة وتمثيلية بيانات التدريب الخاصة به. تشمل فترة 2005-2021 أنظمة تقلب محددة. قد يفشل النموذج المدرب على هذه البيانات خلال نظام جديد، مثل بيئة التضخم المرتفع وأسعار الفائدة المرتفعة بعد عام 2022—وهي ظاهرة تشبه مشاكل تحول المجال التي نوقشت في أدبيات التعلم الآلي (مثل: في رؤية الكمبيوتر مع CycleGAN (تشو وآخرون، 2017)، ولكنها بنفس الأهمية في التمويل). علاوة على ذلك، على الرغم من أن المؤشرات الفنية قيمة، إلا أنها في النهاية متأخرة. دمج مصادر بيانات بديلة، كما تفعل صناديق التحوط الرائدة مثل Two Sigma، قد يكون القفزة الضرورية التالية. الاختبار الحقيقي لهذه البنية سيكون قدرتها على التعميم على هياكل السوق غير المرئية وأدائها صافي جميع تكاليف التداول.

7. التفاصيل التقنية والإطار الرياضي

يكمن الابتكار التقني الأساسي في بنية النموذج ذات المرحلتين.

المرحلة 1: تجميع نظام السوق
ليكن $\mathbf{F}_t = [f^1_t, f^2_t, ..., f^m_t]$ متجه ميزة في الوقت $t$، يحتوي على قيم طبيعية للمؤشرات الفنية (RSI، MACD، موقع نطاق بولينجر، التقلب، إلخ). تقوم خوارزمية تجميع $C$ (مثل: K-Means مع $k$ عنقود) بتقسيم البيانات التاريخية إلى $k$ نظام:
$C(\mathbf{F}_t) = r_t \in \{1, 2, ..., k\}$.
يمثل كل عنقود $r$ حالة سوق متميزة (مثل: "سوق صاعد عالي الاتجاه"، "محدود النطاق منخفض التقلب"، "بيع مفرط عالي التقلب").

المرحلة 2: التنبؤ التسلسلي القائم على الانتباه
بالنسبة لتسلسل متجهات الميزة الحديثة $\mathbf{X} = [\mathbf{F}_{t-n}, ..., \mathbf{F}_{t-1}, \mathbf{F}_t]$ وتسمية النظام المرتبطة به $r_t$، يهدف النموذج إلى التنبؤ بهدف $y_t$ (مثل: تسمية ثنائية لزيادة السعر بعد إشارة البيع المفرط). تحسب آلية الانتباه متجه سياق $\mathbf{c}_t$ كمجموع مرجح لتسلسل الإدخال:
$\mathbf{c}_t = \sum_{i=t-n}^{t} \alpha_i \mathbf{h}_i$,
حيث $\mathbf{h}_i$ هو تمثيل مخفي لـ $\mathbf{F}_i$، ويتم حساب أوزان الانتباه $\alpha_i$ بواسطة:
$\alpha_i = \frac{\exp(\text{score}(\mathbf{h}_t, \mathbf{h}_i))}{\sum_{j=t-n}^{t} \exp(\text{score}(\mathbf{h}_t, \mathbf{h}_j))}$.
يمكن أن تكون دالة التسجيل منتجًا نقطيًا بسيطًا أو دالة متعلمة. يمكن دمج النظام $r_t$ كتضمين يؤثر على الحالات المخفية الأولية أو دالة تسجيل الانتباه، مما يجعل تركيز النموذج مشروطًا بحالة السوق.

8. إطار التحليل ومثال تطبيقي

السيناريو: زوج EUR/USD، 15 أكتوبر 2020. ينخفض مؤشر القوة النسبية (RSI) إلى 28، مما يشير إلى حالة بيع مفرط.

تطبيق الإطار:

1. استخراج الميزات: حساب متجه الميزة $\mathbf{F}_t$: RSI=28، MACD الهيستوجرام سلبي ولكنه يرتفع، السعر يلامس نطاق بولينجر السفلي، تقلب 30 يومًا = 8%.
2. تصنيف النظام: يأخذ نموذج التجميع، المدرب على بيانات 2005-2019، $\mathbf{F}_t$ ويعينه إلى العنقود #3، الذي تم تصنيفه على أنه "بيع مفرط في تقلب معتدل مع زخم هبوطي ضعيف".
3. التنبيه الواعي بالسياق: محلل الانتباه، المشروط الآن بشكل محدد على "العنقود #3"، يحلل بيانات الـ 20 يومًا الماضية. قد تعين طبقة الانتباه أوزانًا عالية للأيام 5 و 12 السابقة، والتي كانت لها ملفات ميزات مماثلة وأعقبها ارتدادات سعرية بنسبة 2% خلال 5 أيام.
4. المخرجات: ينتج النموذج احتمالًا عاليًا (مثل: 72%) لتداول عودة متوسط ناجح (زيادة السعر >1% خلال 3 أيام). يوفر هذا إشارة كمية غنية بالسياق تتجاوز بكثير قاعدة "RSI < 30" البسيطة.

ملاحظة: هذا مثال مفاهيمي. سيتم تحديد منطق النموذج الفعلي بواسطة معلماته المدربة.

9. التطبيقات المستقبلية والاتجاهات

للهيكل المقترح مسارات واعدة للتوسع:

• أنظمة الأصول المتعددة والعبر سوقية: تطبيق نفس التجميع على الأصول المترابطة (مثل: العملات الرئيسية في الفوركس، المؤشرات، السلع) لتحديد الأنظمة المالية العالمية، وتحسين تقييم المخاطر النظامية.
• التكامل مع البيانات البديلة: دمج درجات معنويات الأخبار في الوقت الفعلي (من نماذج معالجة اللغة الطبيعية) أو نبرة اتصال البنك المركزي في متجه الميزة $\mathbf{F}_t$ للتجميع، مما يخلق أنظمة محددة بكل من الظروف الفنية والأساسية.
• تكامل التعلم المعزز (RL): استخدام نموذج التجميع-الانتباه كوحدة تمثيل الحالة داخل وكيل RL يتعلم سياسات التداول المثلى (الدخول، الخروج، تحديد حجم المركز) لكل نظام محدد، والانتقال من التنبؤ إلى تحسين الاستراتيجية المباشر.
• الذكاء الاصطناعي القابل للتفسير (XAI) للتنظيم: تطوير واجهات تفسير لاحقة توضح بوضوح: "تم تشغيل إشارة التداول هذه لأن السوق في النظام X، وركز النموذج على الأنماط التاريخية A، B، وC." هذا أمر بالغ الأهمية للتبني في المؤسسات المنظمة.
• التعلم التكيفي عبر الإنترنت: تنفيذ آليات لنموذج التجميع للتحديث تدريجيًا ببيانات جديدة، مما يسمح له بالتعرف على أنظمة السوق الجديدة تمامًا والتكيف معها في الوقت الفعلي، والتخفيف من خطر تدهور النموذج.

10. المراجع

1. López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
2. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
3. Borovkova, S., & Tsiamas, I. (2019). An ensemble of LSTM neural networks for high-frequency stock market classification. Journal of Forecasting, 38(6), 600-619.
4. Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
5. Murphy, J. J. (1999). Technical Analysis of the Financial Markets. New York Institute of Finance.
6. Investopedia. (n.d.). Technical Indicators. Retrieved from https://www.investopedia.com.