التنبؤ الجماعي مقابل المشي العشوائي: تحليل مقارن لدقة التنبؤ بأسعار الصرف

1. المقدمة

تعتبر التوقعات الصادرة عن منصات التنبؤ الجماعي المفتوحة عبر الإنترنت مصادر متزايدة القيمة للاستبصار، حيث يتم الاستشهاد بها من قبل مؤسسات مثل البنك المركزي الأوروبي ووسائل الإعلام الكبرى. بينما تشير الأدلة إلى أنها تتفوق على التخمين العشوائي، إلا أن التحليل المقارن مع المعايير الإحصائية الراسخة محدود. تقيّم هذه الدراسة دقة التنبؤ لمنصة Metaculus فيما يتعلق بأسئلة أسعار الصرف، باستخدام نموذج المشي العشوائي بدون انحراف – وهو معيار صعب التغلب عليه بشكل ملحوظ – كنقطة مقارنة. تهدف النتائج إلى توضيح الفائدة العملية للتنبؤات الجماعية في مجال ذي خط أساسي واضح وموضوعي.

2. استعراض الأدبيات

3. البيانات والمنصة

يستخدم التحليل أسئلة التنبؤ بأسعار الصرف من منصة Metaculus. Metaculus هي منصة مفتوحة عبر الإنترنت حيث يتوقع المستخدمون نتائج أسئلة تتراوح من الجيوسياسية إلى الاقتصادية. يتم الحصول على بيانات تاريخية ذات صلة لأسعار الصرف للمقارنة. جميع البيانات اللازمة للتكرار متاحة، مع إمكانية الوصول إلى تنبؤات Metaculus عبر واجهة برمجة التطبيقات العامة الخاصة بها.

4. المنهجية

تتضمن المنهجية الأساسية مقارنة مباشرة لدقة التنبؤ. بالنسبة لسؤال معين عن سعر الصرف (مثل: "ماذا سيكون سعر اليورو/الدولار الأمريكي في التاريخ X؟")، يتم جمع التنبؤ الجماعي لمجتمع Metaculus (غالباً تقدير متوسط أو مجمع). تتم مقارنة ذلك مع تنبؤ تم إنشاؤه بواسطة نموذج المشي العشوائي بدون انحراف، والذي يستخدم ببساطة سعر الصرف الفوري الحالي كتنبؤ لجميع الفترات المستقبلية ($\hat{s}_{t+k} = s_t$). يتم قياس دقة التنبؤ باستخدام مقاييس الخطأ القياسية مثل متوسط الخطأ المطلق (MAE) أو جذر متوسط مربعات الخطأ (RMSE). ثم يتم تطبيق اختبارات إحصائية لتحديد ما إذا كانت الاختلافات في الدقة ذات دلالة إحصائية.

5. النتائج

النتيجة الرئيسية هي أن نموذج المشي العشوائي بدون انحراف يوفر تنبؤات أكثر دقة بشكل ملحوظ من التنبؤ الجماعي لـ Metaculus بالنسبة للتنبؤات المدروسة لأسعار الصرف. أثبت التنبؤ الجماعي أنه أقل دقة من هذا المعيار الإحصائي البسيط.

6. المناقشة

توفر هذه النتيجة فحصاً واقعياً حاسماً للحماس المحيط بمنصات التنبؤ الجماعي. بينما قد يتفوق الجمهور في المجالات ذات المتغيرات الكامنة المعقدة (مثل انتشار الأوبئة، الأحداث الجيوسياسية)، إلا أنه يواجه صعوبة ضد عملية مارتينجال بحتة مثل سعر الصرف، حيث يكون أفضل متنبئ بسعر الغد هو غالباً سعر اليوم. يسلط هذا الضوء على أهمية المعايرة المرجعية الخاصة بالمجال ويحذر من التطبيق العام لحكمة الجمهور.

7. الخاتمة

يقدم هذا التحليل تقييماً مقارناً نادراً، حيث يجد أنه بالنسبة للتنبؤ بأسعار الصرف، فإن تنبؤات جمهور Metaculus أقل دقة من تلك الصادرة عن نموذج المشي العشوائي. ويؤكد على ضرورة المعايرة المرجعية الصارمة مقابل النماذج الراسخة قبل نشر التنبؤات القائمة على الجمهور في سياقات صنع القرار المالي أو الاقتصادي.

8. التحليل الأصلي والتعليق الخبير

الفكرة الأساسية: تقدم الورقة البحثية ضربة مضادة واقعية وضرورية. غالباً ما يتجاهل الضجيج حول "حكمة الجمهور" ومنصات التنبؤ المرتبطة بالذكاء الاصطناعي مبدأً أساسياً: ليست جميع مشاكل التنبؤ متساوية. تحدد هذه الدراسة بشكل صحيح مجالاً – أسعار الصرف، الذي يمثل الأسواق الكفؤة – حيث يكون النموذج الساذج هو الملك، وتثبت بنجاح أن الجمهور فشل في خلعه عن العرش. هذا ليس فشلاً للجمهور في حد ذاته، بل هو تأكيد قوي لنظرية كفاءة السوق وتذكير حاسم بأن اختيار المعيار المرجعي هو أمر بالغ الأهمية.

التسلسل المنطقي: الحجة بسيطة أنيقة وقوية. 1) إثبات الصعود المتزايد لمنصات الجمهور. 2) تحديد فجوة: نقص المقارنة مع معايير مرجعية صارمة خاصة بالمجال. 3) اختيار ساحة المعركة المثالية: أسواق العملات الأجنبية، حيث يمثل المشي العشوائي المعيار الذهبي الأكاديمي (حقيقة موثقة جيداً في أعمال أساسية مثل Meese & Rogoff, 1983). 4) تنفيذ مقارنة نظيفة قابلة للتكرار. 5) عرض النتيجة الواضحة. المنطق محكم ويركز على سؤال عالي القيمة وقابل للقياس.

نقاط القوة والضعف: القوة الأساسية هي وضوحها المنهجي وتركيزها على معيار مرجعي صارم، وهي ممارسة تفتقر إليها أحياناً الأدبيات الخاصة بالتنبؤ المتمركزة حول التكنولوجيا. إنها تقدم خدمة عامة قيمة من خلال تخفيف التوقعات. ومع ذلك، فإن العيب الرئيسي هو ضيق النتيجة المحتمل. هل يتخلف أداء الجمهور لأنه سيئ بطبيعته في سوق العملات الأجنبية، أم لأن آلية التجميع (مثل: الوسيط البسيط) تفشل في استخراج الإشارة الكامنة؟ يشير البحث من منصات الذكاء الجماعي الأخرى مثل مشروع الحكم الجيد إلى أن الجمهور المنظم مع التغذية الراجعة والتقييم يمكنه تحقيق دقة ملحوظة. قد تخلط الورقة بين أداء تنفيذ منصة محددة وإمكانيات منهجية حشد المصادر. علاوة على ذلك، كما هو الحال في أساليب الذكاء الاصطناعي الهجينة (مثل: الجمع بين الشبكات العصبية والقياس الاقتصادي التقليدي كما في Sezer et al., 2020)، قد يكون المسار الأكثر وعداً هو أساليب المجموعات التي تدمج تنبؤات الجمهور مع النماذج الإحصائية، وهو اتجاه تشير إليه مراجع الورقة ولكنها لا تستكشفه بالكامل في تحليلها الخاص.

رؤى قابلة للتنفيذ: للممارسين: لا تستخدم التنبؤات الجماعية العامة للتنبؤ بأصول السوق الكفؤة دون حذر شديد. المشي العشوائي هو خط الأساس الخاص بك؛ تفوق عليه أولاً. لمطوري المنصات (مثل Metaculus): قم بدمج المعايير المرجعية الخاصة بالمجال في تقييم الأسئلة والتغذية الراجعة للمستخدمين. أظهر للمشاركين كيف يؤدي تنبؤهم المجمع مقارنة بنماذج مثل المشي العشوائي. للباحثين: هذه الدراسة هي نموذج. كرر هذا النهج عبر فئات الأصول الأخرى (العملات المشفرة، السلع الأساسية) ومنصات الجمهور الأخرى. ستأتي الرؤية الحقيقية من التحليل التلوي: تحديد خصائص المشكلة (التقلب، توفر البيانات، درجة الكفاءة) التي تحدد متى يفوز الجمهور ومتى يخسر.

9. التفاصيل التقنية والإطار الرياضي

يكمن جوهر المقارنة في نموذجين للتنبؤ ومقياس للخطأ.

1. تنبؤ المشي العشوائي بدون انحراف:
$\hat{s}_{t+h} = s_t$
حيث $\hat{s}_{t+h}$ هو التنبؤ لـ h فترة قادمة، و $s_t$ هو سعر الصرف الفوري في الوقت $t$.

2. التنبؤ الجماعي:
$\hat{s}^{crowd}_{t+h} = f(\{p_{i, t}\})$
حيث $\{p_{i, t}\}$ هي مجموعة التنبؤات الفردية من مستخدمي المنصة في الوقت $t$، و $f(\cdot)$ هي دالة تجميع، عادةً الوسيط أو المتوسط.

3. مقياس الدقة (مثل: متوسط الخطأ المطلق - MAE):
$MAE = \frac{1}{N} \sum_{k=1}^{N} | s_{t+h} - \hat{s}_{t+h} |$
يتم حساب هذا بشكل منفصل لتنبؤ المشي العشوائي ($MAE_{RW}$) والتنبؤ الجماعي ($MAE_{Crowd}$). النموذج ذو الـ MAE الأقل هو الأكثر دقة. يمكن بعد ذلك استخدام اختبار Diebold-Mariano لتقييم الدلالة الإحصائية لاختلاف الدقة.

10. النتائج التجريبية ووصف المخطط البياني

وصف مخطط النتائج الافتراضي: مخطط شريطي بعنوان "مقارنة دقة التنبؤ: المشي العشوائي مقابل جمهور Metaculus". يمثل المحور السيني أزواج العملات التي تم تحليلها (مثل: EUR/USD، GBP/USD، USD/JPY). يمثل المحور الصادي جذر متوسط مربعات الخطأ (RMSE). لكل زوج عملات، يتم عرض شريطين جنباً إلى جنب: شريط أزرق يمثل RMSE لتنبؤ المشي العشوائي، وشريط برتقالي يمثل RMSE لتنبؤ جمهور Metaculus. عبر جميع الأزواج، تكون الأشرطة الزرقاء (المشي العشوائي) أقصر بشكل واضح من الأشرطة البرتقالية (الجمهور). قد يشير خط أفقي متقطع إلى متوسط RMSE للتنبؤ الثابت الساذج. سيوضح المخطط البياني بوضوح النتيجة المركزية للورقة: التفوق المتسق للمعيار المرجعي البسيط للمشي العشوائي.

التفسير: يوضح الفجوة البصرية بين الأشرطة الزرقاء والبرتقالية العجز الكمي في أداء التنبؤ الجماعي. يعزز الاتساق عبر أزواج العملات المختلفة قابلية تعميم الاستنتاج بأنه في هذا المجال، لا يتفوق التجميع الجماعي المتطور على نموذج تافه.

11. إطار التحليل: حالة عملية

الحالة: تقييم تنبؤ جماعي لـ GBP/USD قبل 3 أشهر.

1. جمع البيانات (الوقت t):
   • سعر GBP/USD الفوري: 1.2800.
   • التنبؤ الوسيط لمجتمع Metaculus لـ GBP/USD بعد 3 أشهر: 1.3100.
2. إنشاء تنبؤات المعيار المرجعي:
   • تنبؤ المشي العشوائي: $\hat{s}_{t+3m} = s_t = 1.2800$.
3. الملاحظة (الوقت t+3m):
   • سعر GBP/USD الفعلي: 1.2750.
4. حساب الأخطاء المطلقة:
   • الخطأ (المشي العشوائي): |1.2750 - 1.2800| = 0.0050 (50 نقطة).
   • الخطأ (جمهور Metaculus): |1.2750 - 1.3100| = 0.0350 (350 نقطة).
5. التحليل: في هذه الحالة، كان خطأ تنبؤ المشي العشوائي 50 نقطة، بينما كان خطأ التنبؤ الجماعي 350 نقطة – أي أكبر بسبع مرات. تكرار هذه العملية عبر عشرات التنبؤات وأزواج العملات سيبني مجموعة البيانات للمقارنة الإحصائية المقدمة في الورقة.

12. التطبيقات المستقبلية واتجاهات البحث

• النمذجة الهجينة: المسار الأكثر وعداً ليس "الجمهور مقابل النموذج"، بل "الجمهور + النموذج". يجب أن يختبر البحث المستقبلي أساليب المجموعات التي تجمع بين تنبؤ Metaculus وتنبؤ المشي العشوائي (مثل: المتوسط المرجح) أو تستخدم مشاعر الجمهور كخاصية في نموذج قياس اقتصادي أو تعلم آلي أكثر تعقيداً (مثل: شبكة LSTM).
• التحليل المشروط: هل تختلف دقة الجمهور مع ظروف السوق؟ قم بتحليل ما إذا كان أداء الجمهور أفضل نسبياً خلال فترات التقلب العالي/الاتجاه مقابل الفترات الهادئة المحددة النطاق، مما قد يحدد فائدة متخصصة.
• تصميم آلية المنصة: البحث في كيفية تأثير هياكل الحوافز المختلفة، وخوارزميات التجميع (أبعد من الوسيط)، وترجيح الخبراء على منصات مثل Metaculus على تحسين أداء التنبؤ في المجالات المالية.
• المعايرة المرجعية عبر المجالات: تطبيق الإطار الصارم لهذه الدراسة على مجالات أخرى تكون فيها منصات الجمهور نشطة: أسعار السلع الأساسية، أرباح الشركات، أو المؤشرات الاقتصادية الكلية (الناتج المحلي الإجمالي، التضخم)، لكل منها معاييرها المرجعية الراسخة.

13. المراجع

• Lehmann, N. V. (2025). Forecasting skill of a crowd-prediction platform: A comparison of exchange rate forecasts. arXiv preprint arXiv:2312.09081v2.
• Messe, R. A., & Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1-2), 3-24.
• Farrow, D. C., et al. (2017). The crowdsourced judgment of epidemic influenza. PLOS ONE.
• Karvetski, C. W. (2023). Wisdom-of-crowds forecasts of the federal funds rate. Journal of Economic Psychology.
• Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review. Expert Systems with Applications, 158.
• Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown Publishers.
• European Central Bank. (2021). Economic Bulletin, Issue 6.