تحليل السلاسل الزمنية الاقتصادية: مناهج من النماذج الاقتصادية القياسية والتعلم الآلي

تُجبر البيانات المتفجرة وتقلبات الأسواق نماذج التنبؤ الاقتصادي والمالي على تغيير جذري. تُبرز ندوة "تحليل السلاسل الزمنية الاقتصادية" توجهًا نحو دمج القياسات الاقتصادية التقليدية مع تقنيات التعلم الآلي، مما يفتح آفاقًا جديدة للتنبؤ أكثر مرونة ودقة.

في سياق البيانات الضخمة، والأسواق سريعة التغير، والعلاقات الاقتصادية المعقدة بشكل متزايد، تتغير متطلبات أدوات التنبؤ الاقتصادي والمالي بشكل كبير.

وقد تم توضيح ذلك بوضوح في الندوة العلمية "تحليل السلاسل الزمنية الاقتصادية: مناهج من النماذج الاقتصادية القياسية والتعلم الآلي"، التي نظمتها أكاديمية التمويل والمركز الدولي للبحوث والتدريب الرياضي، مع عروض تقديمية من الدكتورة كو ثو ثوي والماجستير هوانغ هو سون.

لم تقدم المناقشة نظرة عامة شاملة على نماذج السلاسل الزمنية التقليدية فحسب، بل والأهم من ذلك، أنها سلطت الضوء على خطوة جديدة إلى الأمام: ترقية النماذج الاقتصادية القياسية بتقنيات التعلم الآلي الحديثة.

يُقدّم الجزء التمهيدي من الندوة شرحاً منهجياً لخصائص السلاسل الزمنية مثل الاتجاه، والموسمية، والدورات، والاستقرار، والضوضاء، والنماذج الكلاسيكية مثل ARIMA، وSARIMA، وARDL، وECM، وVAR/VECM، أو GARCH...

قدم الحاصل على درجة الماجستير هوانغ هوو سون عرضًا في الندوة حول نماذج التعلم الآلي في تحليل السلاسل الزمنية.

لقد شكلت هذه الأدوات أساس البحث الاقتصادي القياسي لعقود، مع مزايا واضحة: قوة تفسيرية جيدة، وإطار نظري موحد، وتكلفة حسابية منخفضة، وملاءمة للبيانات صغيرة النطاق.

اليوم، تعمل الأسواق المالية بهيكل متنوع يتسم بدرجة عالية من عدم اليقين، وكثرة الصدمات، والترابطات طويلة الأجل. ويتزايد عدد المتغيرات ومصادر البيانات بسرعة، من البيانات عالية التردد إلى البيانات غير المهيكلة. في مثل هذه البيئة، غالباً ما تصبح الافتراضات التقليدية (كالثبات، والتوزيع الطبيعي، والخطية، وغيرها) غير مناسبة، مما يحدّ من دقة النماذج التقليدية. ويُعدّ التعلّم الآلي أحد الأساليب الحديثة والضرورية في هذا المجال.

لذا، تُقدّم هذه الندوة ملخصًا للمعرفة الأساسية في مجال التعلّم الآلي، ودوره، إلى جانب الشبكات العصبية والتعلّم العميق، في تحليل السلاسل الزمنية، مثل الشبكات متعددة الطبقات (MLP)، والشبكات العصبية المتكررة (RNN)، وشبكات الذاكرة طويلة المدى (LSTM)، وشبكات الذاكرة طويلة المدى ثنائية الاتجاه (Bi-LSTM)، وشبكات الذاكرة طويلة المدى المكدسة (Stacked LSTM). وبخلاف النموذج الخطي التقليدي، فقد تغلّب التعلّم الآلي على قيود النماذج الاقتصادية القياسية التقليدية، كما يُتيح نمذجة العلاقات غير الخطية، وتذكّر التبعيات طويلة المدى، والتعلم التلقائي للأنماط في سلاسل البيانات.

تحدثت الدكتورة كو ثو ثوي في ندوة حول الاقتصاد القياسي والتعلم الآلي.

من خلال عرض تجارب التنبؤ بأسعار البيتكوين ومؤشر VN باستخدام نماذج مختلفة، ثبت أن نموذج LSTM يعطي أخطاء RMSE وMAE وMAPE منخفضة حتى عندما تكون البيانات مشوشة للغاية، ومن خلال نماذج LSTM، فإنه يعكس أيضًا الطبيعة الاقتصادية للبيانات المتوقعة، مما يدل على المزايا الواضحة للتعلم الآلي والتعلم العميق في التنبؤ الاقتصادي والمالي.

من أبرز وجهات النظر المطروحة في الندوة: أن الاقتصاد القياسي والتعلم الآلي ليسا متناقضين، بل يكمل كل منهما الآخر ويعززه. يوفر الاقتصاد القياسي إطارًا نظريًا، وبنية سببية، وقدرات لتفسير السياسات. بينما يوفر التعلم الآلي قوة حاسوبية هائلة، ونمذجة غير خطية، وقدرات معالجة البيانات الضخمة، ومقاومة للتشويش.

وقد أدى هذا المزيج إلى ظهور جيل جديد من النماذج - من VAR-LSTM، و State Space + Deep Learning الهجين، إلى تحويل السلاسل الزمنية - والتي أصبحت اتجاهًا بحثيًا دوليًا.

علاوة على ذلك، أكدت العروض التقديمية والمناقشات التي جرت في الندوة أهمية الاستثمار في البنية التحتية والبيانات الخاصة بالتعلم الآلي والتعلم العميق.

لأن مرافق البحث تؤثر بشكل مباشر على بنية النموذج وكفاءته الحسابية في حل المشكلات الواقعية، فضلاً عن السعي إلى نشر منشورات دولية عالية الجودة.

أكدت الندوة على التحول في التفكير البحثي من الاعتماد فقط على النماذج الخطية إلى الاستفادة من نماذج التعلم العميق؛ ومن مجموعات البيانات الصغيرة إلى مجموعات البيانات الكبيرة؛ ومن التحليل الوصفي إلى التنبؤ عالي الدقة.

يمثل هذا توجهاً مهماً لمجالات الاقتصاد الرياضي، والتمويل والمصارف، وتحليل البيانات، وعلم البيانات في أكاديمية التمويل.

المصدر: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html