التعلم الآلي القابل للتفسير للتنبؤ بأسعار الصرف باستخدام الأساسيات الاقتصادية الكلية

جدول المحتويات

1. المقدمة

يُعد التنبؤ بأسعار الصرف مهمة صعبة للغاية نظراً لتعقيد الأنظمة المالية وعدم خطيتها وتكرار حدوث انقطاعات هيكلية فيها. غالباً ما تواجه النماذج الاقتصادية القياسية التقليدية صعوبة في التقاط هذه الديناميكيات وتقديم تفسيرات واضحة لتوقعاتها. تعالج هذه الدراسة هذه الفجوة من خلال تطوير نموذج قائم على الأساسيات لسعر صرف الدولار الكندي/الأمريكي (CAD/USD) ضمن إطار التعلم الآلي القابل للتفسير (IML). الهدف الأساسي ليس التنبؤ بسعر الصرف بدقة فحسب، بل أيضاً "فتح الصندوق الأسود" وشرح العلاقات بين المتغيرات الاقتصادية الكلية والتنبؤ، مما يزيد من الثقة ويوفر رؤى قابلة للتنفيذ للاقتصاديين وصانعي السياسات.

يستند البحث إلى مكانة كندا كدولة مصدرة رئيسية للسلع الأساسية، حيث شكل النفط الخام 14.1% من إجمالي صادراتها في عام 2019، وهي أكبر مورد للولايات المتحدة. وهذا يخلق رابطاً قوياً مفترضاً بين أسعار السلع (خاصة النفط) وسعر صرف الدولار الكندي/الأمريكي، والذي تهدف الدراسة إلى قياسه وتفسيره.

2. المنهجية والإطار

2.1 منهجية التعلم الآلي القابل للتفسير

تتضمن المنهجية الأساسية استخدام نماذج تعلم آلي متقدمة (مثل آلات تعزيز التدرج، الغابات العشوائية) قادرة على نمذجة العلاقات المعقدة وغير الخطية. لتفسير هذه النماذج، تستخدم الدراسة تقنيات قابلية التفسير اللاحقة، وخاصة قيم SHAP (SHapley Additive exPlanations). تقيس قيم SHAP، المستمدة من نظرية الألعاب التعاونية، مساهمة كل ميزة (متغير اقتصادي كلي) في تنبؤ محدد، مما يوفر قابلية تفسير شاملة ومحلية.

2.2 هيكلية النموذج واختيار الميزات

يتضمن النموذج مجموعة واسعة من الأساسيات الاقتصادية الكلية التي يُفترض أنها تؤثر على سعر صرف الدولار الكندي/الأمريكي. تشمل المتغيرات الرئيسية:

• أسعار السلع الأساسية: سعر النفط الخام (WTI/Brent)، سعر الذهب.
• المؤشرات المالية: مؤشر S&P/TSX المركب (سوق الأسهم الكندي)، فروق أسعار الفائدة (كندا مقابل الولايات المتحدة).
• الأساسيات الاقتصادية: فروق نمو الناتج المحلي الإجمالي، الميزان التجاري، معدلات التضخم.

تتناول الدراسة بشكل صريح تحديات عدم الخطية والتعدد الخطي بين هذه المتغيرات، والتي غالباً ما يتم تجاهلها في التحليلات التقليدية أحادية المتغير.

3. التحليل التجريبي والنتائج

3.1 أهمية المتغيرات الرئيسية

يكشف تحليل قابلية التفسير عن تسلسل هرمي واضح لأهمية الميزات:

1. سعر النفط الخام: العامل الأكثر أهمية في ديناميكيات سعر صرف الدولار الكندي/الأمريكي. مساهمته متغيرة زمنياً، تتغير في الإشارة والحجم استجابة للأحداث الكبرى في أسواق الطاقة العالمية وتطور قطاع النفط الكندي.
2. سعر الذهب: ثاني أهم متغير، يعكس مكانة كندا كمنتج رئيسي للذهب ودور الذهب كملاذ آمن.
3. مؤشر سوق الأسهم TSX: المحرك الرئيسي الثالث، يمثل معنويات المستثمرين الأوسع وتدفقات رأس المال المتعلقة بالاقتصاد الكندي.

3.2 دراسة الإزالة لتحسين النموذج

يُعد استخدام دراسة الإزالة المستنيرة بمخرجات قابلية التفسير جانباً مبتكراً في هذا البحث. بعد تحديد أهم الميزات عبر SHAP، يعيد المؤلفون تدريب النماذج بشكل منهجي عن طريق إزالة أو إضافة ميزات بناءً على مساهماتها المُفسَّرة. تعمل هذه العملية على تحسين النموذج، مما يؤدي إلى تحسين دقة التنبؤ من خلال التركيز على الإشارات الأكثر صلة وتقليل الضوضاء من المتغيرات الأقل أهمية أو الزائدة عن الحاجة.

3.3 التأثيرات المتغيرة زمنياً وتحليل الأحداث

يسمح تحليل SHAP بتصور كيفية تطور مساهمات الميزات بمرور الوقت. على سبيل المثال، وجد أن تأثير أسعار النفط الخام على سعر صرف الدولار الكندي/الأمريكي يتزايد خلال فترات التقلب العالي لأسعار النفط (مثل انهيار أسعار النفط 2014-2015، التوترات الجيوسياسية). يتوافق هذا مع النظرية الاقتصادية ويوفر أدلة تجريبية مدعومة بالنموذج على الانقطاعات الهيكلية في العلاقة.

4. التنفيذ التقني

4.1 الصياغة الرياضية

يمكن تمثيل نموذج التنبؤ على النحو التالي: $\hat{y} = f(X)$، حيث $\hat{y}$ هو عائد سعر الصرف المتوقع، $X$ هو متجه الميزات الاقتصادية الكلية، و$f(\cdot)$ هو نموذج التعلم الآلي المعقد. تفسر قيم SHAP $\phi_i$ لكل ميزة $i$ انحراف التنبؤ $f(x)$ عن القيمة المتوقعة الأساسية $E[f(X)]$:

$f(x) = E[f(X)] + \sum_{i=1}^{M} \phi_i$

حيث $\sum_{i=1}^{M} \phi_i = f(x) - E[f(X)]$. يتم حساب قيمة SHAP $\phi_i$ على النحو التالي:

$\phi_i(f, x) = \sum_{S \subseteq M \setminus \{i\}} \frac{|S|! (M - |S| - 1)!}{M!} [f_x(S \cup \{i\}) - f_x(S)]$

يضمن هذا توزيعاً عادلاً لفرق التنبؤ على كل ميزة بناءً على جميع التركيبات الممكنة.

4.2 مثال على إطار التحليل

السيناريو: تحليل التنبؤ بسعر صرف الدولار الكندي/الأمريكي للربع الرابع 2022.

خطوات الإطار:

1. استيعاب البيانات: جمع بيانات السلاسل الزمنية لجميع الميزات المختارة (النفط، الذهب، TSX، الأسعار، إلخ).
2. تنبؤ النموذج: إدخال متجه الميزات في نموذج التعلم الآلي المدرب للحصول على التنبؤ $\hat{y}$.
3. تفسير SHAP: حساب قيم SHAP لهذه الحالة التنبؤية.
4. التفسير: يظهر الناتج: النفط: +0.015 (مساهمة إيجابية قوية)، الذهب: -0.005 (سلبية طفيفة)، TSX: +0.002 (إيجابية). يشير هذا إلى أن تنبؤ النموذج بقوة الدولار الكندي يدفعه بشكل أساسي ارتفاع أسعار النفط، مع تعويض طفيف بانخفاض أسعار الذهب.
5. فحص الإزالة: قد يُظهر نموذج أعيد تدريبه بدون الذهب خسارة طفيفة في الدقة، مما يؤكد دوره الثانوي، بينما ستؤدي إزالة النفط إلى تدهور الأداء بشدة.

5. المناقشة والتطبيقات

5.1 الرؤى الأساسية لصانعي السياسات

توفر الدراسة معلومات قابلة للتنفيذ: يجب أن تكون السياسة النقدية والمالية في كندا على دراية تامة بديناميكيات أسعار النفط الخام. يمكن لجهود تنويع قاعدة الصادرات أن تقلل من تقلب سعر الصرف. يمكن أن يخدم النموذج نفسه كأداة مراقبة، حيث تشير التغيرات الحادة في قيم SHAP للسلع الرئيسية إلى ضغط محتمل قادم على سوق الصرف الأجنبي.

5.2 نقاط القوة والقيود

نقاط القوة: تدمج بنجاح قوة تنبؤية عالية مع قابلية التفسير؛ تتحقق من الحدس الاقتصادي بأدلة قائمة على البيانات؛ تقدم حلقة ردود فعل مفيدة عبر الإزالة الموجهة بالتفسير.

القيود: طرق قابلية التفسير مثل SHAP هي تقريبية؛ أداء النموذج مرهون بجودة وملاءمة الأساسيات المختارة؛ قد لا تلتقط بشكل كامل أحداث "البجعة السوداء" أو التغيرات المفاجئة في النظام غير الموجودة في البيانات التاريخية.

6. التطبيقات المستقبلية والاتجاهات

الإطار قابل للتعميم بدرجة كبيرة:

• أزواج عملات أخرى: تطبيق نفس منهجية IML على العملات المدعومة بالسلع مثل الدولار الأسترالي، الكرونة النرويجية، أو الروبل الروسي.
• لوحة تحكم السياسات في الوقت الفعلي: تطوير لوحة تحكم تعرض قيم SHAP في الوقت الفعلي لمحللي البنوك المركزية.
• التكامل مع البيانات البديلة: دمج مشاعر الأخبار، بيانات الشحن، أو صور الأقمار الصناعية للبنية التحتية النفطية لتعزيز التنبؤات.
• اكتشاف السببية: استخدام مخرجات قابلية التفسير كنقطة انطلاق لتحليل استدلال سببي أكثر رسمية للانتقال من الارتباط إلى السببية.
• معايير الذكاء الاصطناعي القابل للتفسير (XAI): المساهمة في تطوير أفضل الممارسات لاستخدام IML في صنع السياسات الاقتصادية الحساسة، على غرار المعايير التي نوقشت في أبحاث مؤسسات مثل بنك التسويات الدولية (BIS).

7. المراجع

1. Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30 (NIPS 2017).
2. Molnar, C. (2022). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. (2nd ed.).
3. Bank for International Settlements (BIS). (2020). The rise of AI in finance: a survey. BIS Papers.
4. Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy Economics, 29(3), 390-404.
5. Ferraro, D., Rogoff, K., & Rossi, B. (2015). Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance, 54, 116-141.

8. التحليل الأصلي والتعليق الخبير