التعلم الآلي القابل للتفسير للتنبؤ بأسعار الصرف باستخدام الأساسيات الاقتصادية الكلية

1. المقدمة

يُعد التنبؤ بأسعار الصرف مهمة صعبة للغاية بسبب تعقيد الأنظمة المالية وعدم خطيتها وتغير هيكلها المتكرر. غالبًا ما تواجه النماذج الاقتصادية القياسية التقليدية صعوبة في التقاط هذه الديناميكيات وتقديم تفسيرات واضحة لتوقعاتها. تتعامل هذه الدراسة مع هذه الفجوة من خلال تطوير نموذج قائم على الأساسيات لسعر صرف الدولار الكندي مقابل الدولار الأمريكي (CAD/USD) ضمن إطار التعلم الآلي القابل للتفسير (IML). الهدف الأساسي ليس فقط تحقيق تنبؤات دقيقة ولكن أيضًا تفسيرها باستخدام الأساسيات الاقتصادية الكلية، مما يزيد من الثقة ويوفر رؤى قابلة للتنفيذ لواضعي السياسات والاقتصاديين.

الدافع وراء هذا البحث هو وضع كندا كدولة مصدرة رئيسية للسلع الأساسية، وخاصة النفط الخام، والذي شكل 14.1% من إجمالي الصادرات في عام 2019 و61% من واردات الولايات المتحدة من النفط الخام في عام 2021. إن فهم التأثير المتغير بمرور الوقت لمثل هذه السلع على سعر الصرف أمر بالغ الأهمية.

التحديات الرئيسية التي تمت معالجتها:

عدم الخطية: غالبًا ما تكون العلاقات بين المتغيرات الاقتصادية الكلية غير خطية.
التعددية الخطية: تؤثر العديد من العوامل على أسعار الصرف في وقت واحد.
قابلية التفسير: تفتقر نماذج "الصندوق الأسود" إلى الاتساق النظري والثقة.

2. المنهجية والإطار

تستخدم الدراسة خط أنابيب شامل للتعلم الآلي القابل للتفسير يجمع بين النمذجة التنبؤية والتفسير اللاحق.

2.1 البيانات والمتغيرات

تم جمع مجموعة من المتغيرات الاقتصادية الكلية والمالية التي يُفترض أنها تؤثر على سعر صرف الدولار الكندي/الأمريكي. ومن المرجح أن تشمل:

أسعار السلع الأساسية: النفط الخام (WTI)، الذهب، الغاز الطبيعي.
المؤشرات المالية: مؤشر S&P/TSX المركب، فروق أسعار الفائدة (كندا مقابل الولايات المتحدة).
الأساسيات الاقتصادية الكلية: نمو الناتج المحلي الإجمالي، فروق التضخم، الميزان التجاري.

يتم معالجة البيانات مسبقًا (مثل تحويلات الاستقرارية، معالجة القيم المفقودة) لتناسب نماذج التعلم الآلي.

2.2 نماذج التعلم الآلي

من المرجح أن تستخدم الدراسة نماذج تجميعية قوية ولكن معقدة معروفة بدقتها التنبؤية العالية:

آلات تعزيز التدرج (GBM/XGBoost/LightGBM): فعالة في التقاط الأنماط والتفاعلات غير الخطية.
الغابات العشوائية: قوية ضد الإفراط في التخصيص وتوفر مقاييس متأصلة لأهمية الميزات.
الشبكات العصبية: يُحتمل استخدامها للتقاط التبعيات الزمنية المعقدة والعميقة.

يتم تدريب النماذج للتنبؤ بحركات أو مستويات سعر الصرف المستقبلية.

2.3 تقنيات قابلية التفسير

لفتح "الصندوق الأسود"، تطبق الدراسة أحدث طرق التعلم الآلي القابل للتفسير:

SHAP (تفسيرات شابلي المضافة): نهج قائم على نظرية الألعاب لقياس مساهمة كل ميزة في كل تنبؤ فردي. يوفر قابلية تفسير عالمية ومحلية.
مخططات الاعتماد الجزئي (PDPs): تصور التأثير الهامشي لميزة ما على النتيجة المتوقعة.
تصنيفات أهمية الميزات: مستمدة من مقاييس خاصة بالنموذج أو أهمية التباديل.

تساعد هذه التقنيات في الإجابة عن *سبب* إجراء تنبؤ معين.

3. النتائج التجريبية والتحليل

3.1 أداء النموذج

أظهرت نماذج التعلم الآلي دقة تنبؤية فائقة مقارنة بالمعايير الخطية التقليدية (مثل نماذج الانحدار الذاتي المتجه - VAR). تم تقييم الأداء باستخدام مقاييس مثل جذر متوسط مربع الخطأ (RMSE)، متوسط الخطأ المطلق (MAE)، وربما دقة الاتجاه. تؤكد النتائج قدرة التعلم الآلي على نمذجة ديناميكيات سعر الصرف المعقدة.

3.2 أهمية الميزات وتحليل SHAP

أسفر تحليل قابلية التفسير عن رؤى واضحة وبديهية من الناحية الاقتصادية:

سعر النفط الخام: ظهر باعتباره العامل الأكثر أهمية. كشفت قيم SHAP أن تأثيره متغير بمرور الوقت، مع تغيرات في الإشارة والحجم تتماشى مع الأحداث الرئيسية في أسواق السلع الأساسية (مثل انهيار أسعار النفط عام 2014، قرارات أوبك+). يتوافق هذا مع المشهد المتطور لصادرات النفط الكندية.
سعر الذهب: ثاني أهم متغير، حيث يعمل كأصل ملاذ آمن وتحوط ضد التضخم يؤثر على الدولار الكندي.
مؤشر سوق الأسهم TSX: احتل المرتبة الثالثة، مما يعكس صحة الاقتصاد المحلي وتدفقات رأس المال.

وصف الرسم البياني (ضمنيًا): سيظهر مخطط ملخص SHAP كل متغير كصف. بالنسبة للنفط الخام، ستنتشر النقاط عبر قيم SHAP الإيجابية والسلبية على المحور السيني (التأثير على التنبؤ)، مع اللون الذي يشير إلى قيمة الميزة (مثل الأزرق لسعر النفط المنخفض، الأحمر للسعر المرتفع). يؤكد هذا بصريًا العلاقة المتغيرة بمرور الوقت وغير الرتيبة.

3.3 دراسة الإزالة لتحسين النموذج

الابتكار الرئيسي هو استخدام مخرجات التفسير (مثل الميزات ذات الأهمية المنخفضة التي حددها SHAP) لتوجيه دراسة الإزالة. يتم إزالة الميزات التي تعتبر أقل أهمية بشكل متكرر، ويتم إعادة تقييم أداء النموذج. هذه العملية:

تبسط النموذج، مما يقلل من الإفراط في التخصيص والتكلفة الحسابية.
تحسن الدقة التنبؤية بشكل محتمل من خلال التخلص من الضوضاء.
تنشئ نموذجًا نهائيًا أكثر إيجازًا وتركيزًا، مما يعزز الفائدة العملية.

4. الرؤية الأساسية ومنظور المحلل

الرؤية الأساسية:

تقدم هذه الورقة ضربة مزدوجة قوية: فهي لا تثبت فقط أن التعلم الآلي يمكنه التنبؤ بأسعار الصرف بشكل أفضل؛ بل تستغل قابلية التفسير للتحقق من النظرية الاقتصادية بدقة مدفوعة بالبيانات. إن اكتشاف أن تأثير النفط على الدولار الكندي/الأمريكي غير خطي ويعتمد على النظام ليس مجرد أمر أكاديمي - بل هو تحدٍ مباشر للنماذج السياسية الخطية والثابتة. يعمل هذا البحث على سد الفجوة المتزايدة غالبًا بين نماذج التمويل الكمي المتقدمة ومجموعات النماذج الاقتصادية القياسية للبنوك المركزية.

التدفق المنطقي:

المنهجية متكررة بأناقة: 1) استخدام التعلم الآلي القوي (XGBoost/RF) للتقاط الأنماط المعقدة، 2) استخدام SHAP "لتصحيح" منطق النموذج، و3) إعادة تغذية تلك الرؤى عبر الإزالة لتقليم وتحسين النموذج. هذا يخلق محركًا تحليليًا ذاتي التحسين. إنه يعكس الفلسفة في الأعمال الأساسية للتعلم الآلي القابل للتفسير مثل عمل لوندبرج ولي "نهج موحد لتفسير تنبؤات النماذج" (2017)، الذي قدم SHAP، من خلال جعل التفسير جزءًا أساسيًا من دورة حياة تطوير النموذج، وليس فكرة لاحقة.

نقاط القوة والضعف:

نقاط القوة: دراسة الإزالة الموجهة بقابلية التفسير هي ضربة بارعة للنشر العملي للنموذج. يركز التركيز على الدولار الكندي/الأمريكي والسلع الأساسية على تقديم سردية واضحة ومقنعة. يوفر استخدام SHAP تفسيرات عالمية ومحلية، مما يلبي احتياجات كل من صناع السياسات (الصورة الكبيرة) والمتداولين (سيناريوهات محددة).

نقاط الضعف: من المرجح أن الورقة تقلل من شأن عدم الاستقرار الزمني "للتفسيرات" المستخلصة. يمكن أن تتغير قيم SHAP بشكل كبير مع البيانات الجديدة، وهو تحدٍ معروف تمت مناقشته في أعمال مثل "خداع LIME وSHAP" لـ Slack وآخرون (2020). قد يكون النموذج، رغم كونه قابلًا للتفسير، لا يزال "صندوقًا زجاجيًا" بدلاً من نموذج سببي حقيقي - فهو يظهر الارتباط، وليس السببية، وهو قيد متأصل في معظم نهج التعلم الآلي القابل للتفسير المطبقة على البيانات الاقتصادية الرصدية.

رؤى قابلة للتنفيذ:

بالنسبة لللبنوك المركزية: يمثل هذا الإطار مخططًا لبناء نماذج سياسات أكثر شفافية ومساءلة. يمكن لبنك كندا تشغيل هذا لاختبار الضغط لسيناريوهات أسعار السلع الأساسية المختلفة مع إسناد واضح. بالنسبة لمديري الأصول: العلاقة غير الخطية المحددة بين النفط والدولار الكندي هي رؤية قابلة للتداول. فهي تدعو إلى نسب تحوط ديناميكية، وليست ثابتة. بالنسبة للباحثين: القالب قابل للتصدير. طبقوه على الدولار الأسترالي/السلع الأساسية، الكرونة النرويجية/النفط، أو عملات الأسواق الناشئة. الحد التالي هو دمج هذا مع طرق اكتشاف السببية (مثل الاستفادة من أطر عمل بيرل في السببية) للانتقال من التفسير إلى الاستدلال السببي الحقيقي، مما يجعل النماذج أكثر قوة لمحاكاة السياسات.

5. تفاصيل التنفيذ التقني

5.1 الصياغة الرياضية

يمكن تمثيل النموذج التنبؤي الأساسي على النحو التالي:

$\hat{y}_t = f(\mathbf{x}_t) + \epsilon_t$

حيث $\hat{y}_t$ هو عائد أو مستوى سعر الصرف المتوقع في الوقت $t$، $f(\cdot)$ هي الدالة المعقدة التي يتعلمها نموذج التعلم الآلي (مثل تجميع تعزيز التدرج)، $\mathbf{x}_t$ هو متجه ميزات الإدخال (سعر النفط، الذهب، TSX، إلخ)، و $\epsilon_t$ هو حد الخطأ.

قيمة SHAP $\phi_i$ للميزة $i$ لتنبؤ واحد تشرح الانحراف عن متوسط التنبؤ:

$f(\mathbf{x}) = \phi_0 + \sum_{i=1}^{M} \phi_i$

حيث $\phi_0$ هي القيمة الأساسية (متوسط مخرجات النموذج) و $M$ هو عدد الميزات. يتم حساب $\phi_i$ باستخدام صيغة قيمة شابلي الكلاسيكية من نظرية الألعاب التعاونية، مع الأخذ في الاعتبار جميع التركيبات الممكنة للميزات:

$\phi_i = \sum_{S \subseteq \{1,\ldots,M\} \setminus \{i\}} \frac{|S|! \, (M - |S| - 1)!}{M!} [f_{S \cup \{i\}}(\mathbf{x}_{S \cup \{i\}}) - f_S(\mathbf{x}_S)]$

يضمن هذا إسنادًا عادلًا للتنبؤ لكل ميزة.

5.2 مثال على إطار التحليل

السيناريو: فهم تنبؤ النموذج لتقوية كبيرة للدولار الكندي في تاريخ محدد.

تحليل التعلم الآلي القابل للتفسير خطوة بخطوة:

تفسير SHAP المحلي: إنشاء مخطط قوة أو مخطط شلال للتنبؤ المحدد.
- المخرجات: "التنبؤ: يقوى الدولار الكندي بنسبة 1.5%. المحركات الرئيسية: نفط WTI (+1.1%)، سعر الذهب (+0.3%)، مؤشر TSX (-0.2% بسبب انخفاض طفيف)."
التحقق السياقي: المقارنة المرجعية مع أحداث السوق.
- الإجراء: "في هذا التاريخ، أعلن أوبك+ عن خفض الإنتاج، مما أدى إلى ارتفاع أسعار النفط. تتوافق قيمة SHAP الإيجابية العالية للنفط في النموذج تمامًا مع هذه الصدمة الأساسية."
تحليل PDP: فحص مخطط الاعتماد الجزئي لأسعار النفط.
- الملاحظة: "يظهر مخطط الاعتماد الجزئي منحدرًا إيجابيًا حادًا عند مستويات الأسعار الحالية، مما يؤكد أن النموذج في نظام حيث تؤدي زيادات سعر النفط إلى تعزيز الدولار الكندي بقوة."
تغذية راجعة من الإزالة: إذا كان لميزة مثل "الإنتاج الصناعي الأمريكي" قيم SHAP قريبة من الصفر للعديد من التنبؤات، فإنها تصبح مرشحة للإزالة في دورة التدريب التالية للنموذج لتعزيز البساطة والقوة.

6. التطبيقات المستقبلية واتجاهات البحث

لوحة تحكم السياسات في الوقت الفعلي: يمكن للبنوك المركزية نشر إطار التعلم الآلي القابل للتفسير هذا كلوحة تحكم حية، تُظهر مساهمات المحركات في سعر الصرف في الوقت الفعلي، مما يساعد في قرارات التواصل والتدخل.
تحليل متعدد الدول وسلة العملات: توسيع الإطار لنمذجة العلاقات بين العملات أو مؤشر سعر الصرف المرجح بالتجارة، وتحديد المحركات العالمية المشتركة مقابل المحركات الخاصة بكل دولة.
التكامل مع الاستدلال السببي: دمج التعلم الآلي القابل للتفسير مع التطورات الحديثة في التعلم الآلي السببي (مثل التعلم الآلي المزدوج، الغابات السببية) للانتقال من "ما المرتبط؟" إلى "ماذا سيحدث إذا غيرنا X؟"، مما يتيح تحليل السياسات المضادة للواقع.
البيانات البديلة: دمج تحليل المشاعر من الأخبار/وسائل التواصل الاجتماعي، بيانات حركة الشحن، أو صور الأقمار الصناعية لمخزونات النفط لتحسين الأوقات الاستباقية والقوة التنبؤية.
الذكاء الاصطناعي القابل للتفسير (XAI) للتنظيم: مع زيادة التدقيق التنظيمي على الذكاء الاصطناعي في التمويل (مثل قانون الذكاء الاصطناعي للاتحاد الأوروبي)، توفر مثل هذه الأطر القابلة للتفسير مسارًا للنشر المتوافق والقابل للتدقيق للنماذج.

7. المراجع

Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30.
Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy Economics, 29(3), 390-404.
Beckmann, J., Czudaj, R., & Arora, V. (2020). The relationship between oil prices and exchange rates: Revisiting theory and evidence. Energy Economics, 88, 104772.
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.
Slack, D., Hilgard, S., Jia, E., Singh, S., & Lakkaraju, H. (2020). Fooling LIME and SHAP: Adversarial Attacks on Post hoc Explanation Methods. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES).
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
U.S. Energy Information Administration (EIA). (2022). U.S. Imports from Canada of Crude Oil. [Data set].