لتنبؤ بأسعار العملات الرقمية المُشفَّرة باستخدام الذكاء الصنعي؛ مقدمة لبيانات السلاسل الزمنية Time-Series Data

خلال السنوات القليلة المنصرمة، زاد الاهتمام فيما يُسمّى العملات الرقمية المشفرة (Cryptocurrencies) خصوصًا بعد التقلّبات الدرامية التي حصلت في أسعار هذه العملات الرقمية؛ فقد عدّها بعض الأشخاص فقاعةً دون قيمة استثمارية حقيقية (1). 

لم يقف هذا الاهتمام المتزايد لدى جموع المتداولين الطامحين إلى تحقيق أرباح عبر تداول هذه العملات، بل وجد طريقه للمجتمع العلمي أيضًا؛ فقد جَذَبَ موضوع العملات الرقمية وتقنية البلوكشين (Blockchain) التي بُنيت عليها هذه العملات اهتمامَ الباحثين ومختبرات الأبحاث المختلفة ولا سيما المتخصصة منها بعلوم الحاسوب والرياضيات والذكاء الصنعي (1). 

بدأ الاهتمام الأكاديمي بالعملات الرقمية في عام 2014؛ إذ أنتج المجتمع العلمي أبحاثًا ودراساتٍ استهدفت جوانبَ مختلفة للعملات الرقمية المشفرة، فمنهم من استهدف الجوانب التقنية مثل تطوير البنية التحتية المبنية على الـ Blockchain وتحسينها، ومنهم من استهدف الجانب الربحي والاقتصادي عن طريق دراسة سلوك العملات ومحاولة التنبؤ بأسعارها باستخدام الذكاء الصنعي Cryptocurrencies Prices Forecasting (1).

قبل الخوض في تفاصيل التقنيات المستخدمة في تنبؤ أسعار العملات الرقمية؛ لا بُدَّ من تعريف بعض المفاهيم الأساسية للمساعدة على فهم هذه التقنيات، ومن ضمن هذه المفاهيم هي بيانات السلاسل الزمنية.

في هذا المقال سنعرض مقدمة علميَة عن بيانات السلاسل الزمنية التي تعد مفهومًا أساسيًّا في دراسة أسعار العملات الرقمية المشفرة.

تعريف بيانات السلاسل الزمنية Time-Series Data

تنبؤ السلاسل الزمنية Time-Series Forecasting

يمكن تعريف عملية تنبؤ السلاسل الزمنية بأنها عملية تحليل بيانات السلاسل الزمنية باستخدام علم الإحصاء والنمذجة الرياضية لإجراء التنبؤات، وبعبارة أُخرى؛ هي عملية وضع تنبؤات بناءً على أساس علمي باستخدام بيانات من الماضي (4).

يمكن تقسيم عملية التنبؤ حسب المدة الزمنية المُراد التنبؤ بها إلى ثلاث فئات:

• التنبؤ القصير الأمد Short-Term: المدة الزمنية أقل من ثلاثة أشهر.
• التنبؤ المتوسط الأمد Mid-Term: المدة الزمنية من ثلاثة أشهر إلى سنة.
• التنبؤ الطويل الأمد Long-Term: المدة الزمنية أكثر من سنة (3).

نمذجة السلاسل الزمنية

1. الميل Trend: يُوصَف الميل بأنه زيادة في البيانات أو نقصانها بمرور الوقت، ومن الممكن أن يكون حتميًّا (deterministic) أو عشوائيًّا (stochastic)، ويُرمَز له عادةً بالرمز T.
2. الموسمية Seasonality: تشير الموسمية إلى تأثر عنصر أو عدة عناصر ضمن السلسلة الزمنية بعامل يرتبط بموسمٍ معين محدّدٍ بإطار زمني ثابت، مثل: شهر، أسبوع، ربع السنة .. إلخ. وبعبارة أخرى؛ تُنمذِجُ الموسمية أحداثًا تتكرر دوريًّا بانتظام، ويُرمز لها عادةً بالرمز S.
3. العناصر المتبقية (Residuals (or Remainders: يشير هذا المكوِّن إلى العناصر المتبقية في السلسلة الزمنية بعد إزالة العناصر الأُخرى جميعها المذكورة سابقاً، ويُرمَز له عادةً بالرمز R.

صورة ١: المكونات الرئيسية للسلاسل الزمنية

ولذلك؛ يمكن كتابة أيّة سلسلة زمنية y(t) على شكل إحدى النماذج الآتية:

1. الأنموذج الجمعي Additive Model:

   y(t) = T(t) + S(t) + R(t)

2. الأنموذج الجدائي Multiplicative Model:

   y(t) = T(t) × S(t) × R(t)

يكون الأنموذج الجمعي مفيدًا عندما يكون التباين الموسمي (Seasonal Variation) ثابتًا نسبيًّا بمرور الوقت، في حين يكون الأنموذج الجدائي مفيدًا عندما يزداد التباين الموسمي بمرور الوقت. علمًا أنّ المقصود بالتباين الموسمي الثابت هو ثبات الفواصل الزمنية بين التكرارات الموسمية (2).

في هذا المقال تعرفنا إلى السلاسل الزمنية لتكون مدخلًا إلى موضوع التنبؤ بأسعار العملات الرقمية المشفرة، وسنتطرق في مقالات قادمة ضمن هذه السلسلة إلى أنواع تنبؤ السلاسل الزمنية، ثم نطّلع على تطبيقات الأنواع المختلفة في مسألة توقع أسعار العملات الرقمية المشفرة.

إعداد: وديع اسكاف

المصادر: