تطوير التنبؤ بسعر صرف الدولار الأمريكي مقابل التاكا البنغلاديشي باستخدام LSTM والتعلم الآلي

1. المقدمة

يعد التنبؤ الدقيق بسعر صرف الدولار الأمريكي مقابل التاكا البنغلاديشي (USD/BDT) أمرًا بالغ الأهمية لاقتصاد بنغلاديش المعتمد على الاستيراد، حيث يؤثر على موازين التجارة والتضخم وإدارة الاحتياطيات الأجنبية. غالبًا ما تفشل النماذج الإحصائية التقليدية في التقاط الأنماط غير الخطية والمعقدة التي تميز عملات الأسواق الناشئة، خاصة في ظل عدم اليقين الاقتصادي. تعالج هذه الدراسة هذه الفجوة من خلال تطوير وتقييم نماذج متقدمة للتعلم الآلي، وتحديدًا شبكات الذاكرة طويلة المدى قصيرة المدى (LSTM) العصبية ومصنفات Gradient Boosting (GBC)، باستخدام بيانات تاريخية من 2018 إلى 2023. يهدف البحث إلى توفير أدوات قوية للتخفيف من المخاطر المالية وصياغة السياسات.

2. المراجعة الأدبية

أظهر تطبيق التعلم العميق، وخاصة شبكات LSTM، وعدًا كبيرًا في التنبؤ بالسلاسل الزمنية المالية. ابتكرها Hochreiter & Schmidhuber لحل مشكلة التلاشي في التدرج في الشبكات العصبية المتكررة (RNNs)، وتتفوق شبكات LSTM في التقاط التبعيات طويلة المدى. أدت التحسينات اللاحقة مثل بوابات النسيان (Gers et al.) إلى تحسين القدرة على التكيف مع التقلبات. تظهر الدراسات التجريبية، مثل تلك التي أجريت على USD/INR، أن نماذج LSTM تتفوق على نماذج ARIMA التقليدية بنسبة 18-22٪ في دقة الاتجاه. ومع ذلك، لا تزال الأبحاث التي تستهدف زوج USD/BDT على وجه التحديد، مع الأخذ في الاعتبار نظام التعويم المدار الفريد في بنغلاديش والصدمات الاقتصادية الكلية المحلية، محدودة. تبني هذه الدراسة على هذا المجال الناشئ وتوسعه.

3. المنهجية والبيانات

3.1 جمع البيانات والمعالجة المسبقة

تم الحصول على بيانات يومية لسعر صرف USD/BDT من يناير 2018 إلى ديسمبر 2023 من Yahoo Finance. تم تنظيف مجموعة البيانات، وهندسة ميزات مثل العوائد اليومية المعيارية، والمتوسطات المتحركة البسيطة (SMA)، ومؤشر القوة النسبية (RSI) لالتقاط اتجاهات السوق والتقلبات. تم تقسيم البيانات إلى مجموعات تدريب (80٪) واختبار (20٪).

3.2 بنية نموذج LSTM

نموذج التنبؤ الأساسي هو شبكة LSTM متعددة الطبقات. تتضمن البنية عادةً:

• طبقة الإدخال: تسلسلات من بيانات الأسعار/الميزات التاريخية.
• طبقات LSTM: طبقتان أو أكثر مع إسقاط (Dropout) للتنظيم لمنع الإفراط في التكيف (Overfitting).
• طبقة كثيفة: طبقة متصلة بالكامل للإخراج.
• طبقة الإخراج: خلية عصبية واحدة للتنبؤ بسعر الصرف للفترة التالية.

تم تدريب النموذج باستخدام محسن Adam ودالة الخسارة Mean Squared Error (MSE).

3.3 مصنف Gradient Boosting

للتنبؤ الاتجاهي (حركة صعود/هبوط)، تم تنفيذ مصنف Gradient Boosting (GBC). يستخدم مجموعة من نماذج التنبؤ الضعيفة (أشجار القرار) لإنشاء مصنف قوي، مع التركيز على تقليل خطأ التنبؤ من خلال التعلم التكراري.

4. النتائج التجريبية والتحليل

4.1 مقاييس الأداء

حقق نموذج LSTM نتائج استثنائية: دقة بنسبة 99.449٪، وجذر متوسط مربع الخطأ (RMSE) قدره 0.9858، وخسارة اختبار قدرها 0.8523. يتفوق هذا الأداء بشكل كبير على نموذج ARIMA التقليدي، الذي كان لديه RMSE قدره 1.342. تشير الدقة العالية إلى قدرة LSTM الفائقة في نمذجة الديناميكيات الزمنية المعقدة لسعر صرف USD/BDT.

4.2 الاختبار الخلفي ومحاكاة التداول

تم إجراء اختبار خلفي لمصنف Gradient Boosting على محاكاة تداول بدأ برأس مال أولي قدره 10000 دولار. على مدى 49 صفقة، حقق النموذج نسبة صفقات مربحة بلغت 40.82٪. ومع ذلك، أدت المحاكاة إلى خسارة صافية قدرها 20,653.25 دولارًا. يسلط هذا الضوء على رؤية حاسمة: الدقة الاتجاهية العالية لا تترجم تلقائيًا إلى استراتيجيات تداول مربحة، حيث تلعب تكاليف المعاملات، والانزلاق السعري، وإدارة المخاطر (مستويات وقف الخسارة وجني الأرباح غير المذكورة في PDF) أدوارًا حاسمة.

وصف الرسم البياني (ضمنيًا): من المرجح أن يُظهر مخطط خطي سعر USD/BDT التاريخي وهو ينخفض من حوالي 0.012 (2018) إلى 0.009 (2023). سيُرسم مخطط ثانٍ للأرباح والخسائر التراكمية لاستراتيجية التداول باستخدام GBC، يُظهر فترة مكاسب أولية تليها انخفاض حاد يؤدي إلى الخسارة الصافية النهائية.

5. الغوص التقني العميق

يكمن جوهر فعالية LSTM في حالة الخلية وآليات البوابة. المعادلات الرئيسية لخلية LSTM في الخطوة الزمنية $t$ هي:

بوابة النسيان: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
بوابة الإدخال: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
حالة الخلية المرشحة: $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
تحديث حالة الخلية: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
بوابة الإخراج: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
إخراج الحالة المخفية: $h_t = o_t * \tanh(C_t)$

حيث $\sigma$ هي دالة السيني، $*$ تشير إلى الضرب العنصر بعنصر، $W$ و $b$ هما الأوزان والانحيازات، $x_t$ هو الإدخال، $h_t$ هي الحالة المخفية، و $C_t$ هي حالة الخلية. تسمح هذه البنية للنموذج بتذكر المعلومات أو نسيانها بشكل انتقائي عبر التسلسلات الطويلة، وهو أمر بالغ الأهمية للسلاسل الزمنية المالية ذات التبعيات طويلة المدى.

6. الإطار التحليلي ومثال حالة

الإطار: خط أنابيب التعلم الآلي للفوركس
تمثل هذه الدراسة خط أنابيب قياسيًا وفعالًا للتعلم الآلي المالي:

1. تحديد المشكلة: الانحدار (LSTM للسعر) مقابل التصنيف (GBC للاتجاه).
2. هندسة الميزات: إنشاء إشارات تنبؤية من الأسعار الأولية (العوائد، المؤشرات الفنية).
3. اختيار النموذج والتدريب: اختيار نماذج واعية بالتسلسل (LSTM) للبيانات الزمنية.
4. التحقق الصارم: استخدام التحقق المتقاطع للسلاسل الزمنية، وليس التقسيمات العشوائية، لتجنب تحيز النظر إلى المستقبل.
5. الاختبار الخلفي للاستراتيجية: ترجمة تنبؤات النموذج إلى استراتيجية تداول محاكاة مع قيود واقعية.

مثال حالة: توليد الإشارة
يمكن أن تكون القاعدة المبسطة بناءً على توقعات LSTM: "إذا كان السعر المتوقع للغد > (سعر اليوم + عتبة $\alpha$)، قم بتوليد إشارة شراء." يخرج GBC مباشرةً بتصنيف (1 للأعلى، 0 للأسفل). الدرس الحاسم من خسارة التداول في الورقة البحثية هو ضرورة وجود طبقة إدارة مخاطر لاحقة تحدد حجم المركز، أوامر وقف الخسارة، وتوزيع المحفظة، والتي كانت على الأرجح غائبة أو مبسطة في المحاكاة.

7. التطبيقات المستقبلية والاتجاهات

يكمن مستقبل الذكاء الاصطناعي في التنبؤ بسوق الفوركس في الأنظمة متعددة الوسائط والتكيفية:

• دمج البيانات البديلة: دمج تحليل المشاعر للأخبار في الوقت الفعلي (باستخدام نماذج معالجة اللغة الطبيعية مثل BERT)، ونبرة اتصال البنك المركزي، ومؤشرات المخاطر الجيوسياسية، كما هو الحال في صناديق التحوط مثل Two Sigma.
• النماذج الهجينة والقائمة على الانتباه: الانتقال إلى ما هو أبعد من نماذج LSTM القياسية إلى بنى المحولات (Transformers) مع آليات الانتباه الذاتي (مثل تلك الموجودة في بحث Vaswani et al. "Attention is All You Need") والتي يمكنها وزن أهمية الخطوات الزمنية المختلفة بمرونة أكبر.
• التعلم المعزز (RL): تطوير وكلاء RL يتعلمون سياسات التداول المثلى مباشرة، مع مراعاة التكاليف والعوائد المعدلة حسب المخاطر، وليس مجرد التنبؤ بالأسعار. يتوافق هذا مع الأبحاث من DeepMind وOpenAI في البيئات المحاكاة.
• الذكاء الاصطناعي القابل للتفسير (XAI): تنفيذ تقنيات مثل SHAP أو LIME لتفسير تنبؤات النموذج، وهو أمر بالغ الأهمية للامتثال التنظيمي وكسب ثقة المؤسسات المالية.
• التعلم عبر الأسواق: تدريب النماذج على أزواج عملات متعددة أو فئات أصول لتعلم أنماط عالمية للتقلبات والعدوى.

8. المراجع

1. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
2. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM.
3. Rahman et al. (2022). LSTM-based Forecasting for Emerging Market Currencies: A USD/INR Case Study. Journal of Computational Finance.
4. Afrin, S., et al. (2021). Forecasting USD/BDT Exchange Rate Using Machine Learning. International Conference on Computer and Information Technology.
5. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
6. Yahoo Finance. (2023). USD/BDT Historical Data.

9. منظور محلل الصناعة

الرؤية الأساسية: هذه الورقة مثال كلاسيكي على "مفارقة الدقة والربحية" في التمويل الكمي. قام المؤلفون ببناء نموذج LSTM سليم تقنيًا يحقق دقة شبه مثالية تبلغ 99.45٪ في التنبؤ بـ USD/BDT - وهو إنجاز مشكور - ومع ذلك، فإن استراتيجية التداول المرتبطة به أهدرت رأس المال بشكل كارثي. القصة الحقيقية ليست دقة النموذج؛ بل هي الفجوة الصارخة بين تحسين المقاييس الأكاديمية وأرباح وخسائر التداول في العالم الحقيقي. يؤكد هذا حقيقة يتعلمها العديد من المحللين الكميين بالطريقة الصعبة: تقليل RMSE ليس هو نفسه تعظيم نسبة شارب.

التدفق المنطقي: يتبع البحث خط أنابيب قياسيًا: الحصول على البيانات، وهندسة الميزات، واختيار النموذج (LSTM/GBC)، والتحقق من الأداء. ومع ذلك، يكمن العيب المنطقي في القفزة من التحقق إلى التطبيق. يبدو أن الاختبار الخلفي ساذجًا، حيث يفتقر على الأرجح إلى نمذجة قوية لتكاليف المعاملات، والانزلاق السعري، والأهم من ذلك، إطار عمل متماسك لإدارة المخاطر. تشير نسبة فوز تبلغ 40٪ مع نتيجة صافية سلبية كبيرة إلى أن خسائر الاستراتيجية لكل صفقة خاسرة كانت أكبر بكثير من المكاسب لكل صفقة رابحة - وهو عيب قاتل لا يمكن لأي قدر من دقة LSTM إصلاحه.

نقاط القوة والضعف:

• نقاط القوة: هندسة نموذج ممتازة لزوج عملات متخصص وقليل البحث (USD/BDT). يوفر المقارنة مع ARIMA معيارًا واضحًا. إن الإشارة الصريحة إلى خسارة التداول صادقة فكريًا وأكثر قيمة من العديد من الأوراق التي تبرز النجاحات فقط.
• نقاط الضعف: محاكاة التداول هي في الأساس فكرة لاحقة، تكشف عن نقص في التكامل بين طبقة التنبؤ وطبقة التنفيذ - وهو قلب التداول المنهجي. لا يوجد مناقشة لتحديد حجم المركز (مثل معيار كيلي)، أو أوامر وقف الخسارة، أو سياق المحفظة. علاوة على ذلك، بينما تتمتع نماذج LSTM بقوة كبيرة، إلا أن طبيعتها الصندوق الأسود تظل حاجزًا كبيرًا أمام اعتمادها في المؤسسات المالية المنظمة مقارنة بالمجموعات الأكثر قابلية للتفسير مثل أشجار Gradient Boosted.

رؤى قابلة للتنفيذ:

1. سد الفجوة بالتعلم المعزز: بدلاً من التعامل مع التنبؤ والتداول كخطوات منفصلة، يجب أن يستخدم العمل المستقبلي التعلم المعزز من البداية إلى النهاية (RL). يمكن لوكلاء RL، المشابهة لتلك المستخدمة من قبل DeepMind للعب الألعاب، أن يتعلموا تحسين مقاييس التداول المباشرة (مثل العائد التراكمي، نسبة سورتينو) من البيانات الأولية، مع مراعاة التكاليف والمخاطر بشكل متأصل.
2. اعتماد ثالوث "التنبؤ-التنفيذ-المخاطر": يجب تقييم أي بحث في التنبؤ ضمن ثالوث. نموذج التنبؤ هو مجرد رأس واحد. يجب تطبيق نفس الصرامة على نموذج التنفيذ (تأثير السوق، التكاليف) ونموذج المخاطر (القيمة المعرضة للخطر، العجز المتوقع، التحكم في الانخفاض).
3. التركيز على اكتشاف النظام: لزوج USD/BDT، تحت نظام تعويم مدار، أنظمة متميزة (مستقر، تدخل، أزمة). يجب استخدام نماذج مثل نماذج Markov Switching أو خوارزميات التجميع لاكتشاف النظام الحالي أولاً، ثم تطبيق نموذج التنبؤ الأنسب. نهج نموذج واحد يناسب الجميع هو نهج قاصر.
4. إعطاء الأولوية لقابلية التفسير: للانتقال من تمرين أكاديمي إلى أداة للمتداول، قم بتنفيذ تقنيات XAI. إن إظهار أن إشارة "بيع" مدفوعة بنسبة 60٪ بسبب اتساع عجز التجارة و 40٪ بسبب تباعد RSI يبني الثقة أكثر بكثير من صندوق أسود دقيق بنسبة 99٪.