لتنبؤ بأسعار العملات الرقمية المُشفَّرة باستخدام الذكاء الصنعي؛ مقدمة لبيانات السلاسل الزمنية Time-Series Data
المعلوماتية >>>> الذكاء الصنعي
Image: SYR-RES
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
السلاسل الزمنية Time-Series: هي سلسلة من نقاط البيانات مفهرسة حسب الترتيب الزمني، عادةً حسب فترات زمنية متساوية، ومن ثم فإنّ بيانات السلاسل الزمنية هي سلسلة من البيانات المرتبة حسب الزمن. من الأمثلة عليها: بيانات درجة الحرارة ضمن اليوم الواحد مفهرسة حسب الساعة، وأسعار الأسهم في سوق البورصة وغيرها؛ كلها بيانات متسلسلة ومفهرسة حسب الزمن (2).
تنبؤ السلاسل الزمنية Time-Series Forecasting
يشغل موضوع تنبؤ السلاسل الزمنية اهتمامَ المجتمع العلمي؛ إذ يُعدّ من المجالات البحثية الرئيسة (3)، فتنبّؤ السلاسل الزمنية هو إحدى الأساسيات المهمة في تنقيب بيانات السلاسل الزمنية (4) Time-Series Data Mining.
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:
نمذجة السلاسل الزمنية
يمكن تجزئة السلاسل الزمنية إلى ثلاث مكونات رئيسة كما هو موضح في الصورة 1:
Image: https://commons.wikimedia.org/wiki/File:En.full.timeseries.components.with_october.svg
صورة ١: المكونات الرئيسية للسلاسل الزمنية
ولذلك؛ يمكن كتابة أيّة سلسلة زمنية y(t) على شكل إحدى النماذج الآتية:
y(t) = T(t) + S(t) + R(t)
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:
2. Brockwell PJ, Davis RA. Introduction. In: Brockwell PJ, Davis RA, editor. Introduction to Time Series and Forecasting. Cham: Springer; 2016. p. 1–37. Available from: هنا
3. Mahalakshmi G, Sridevi S, Rajaram S. A survey on forecasting of time series data. 2016 International Conference on Computing Technologies and Intelligent Data Engineering (ICCTIDE'16) [Internet]. Kovilpatti, India: IEEE Xplore; 2016 [cited 7 June 2022]. Available from: هنا
4. Ralanamahatana CA, Lin J, Gunopulos D, Keogh E, Vlachos M, Das G. Mining Time Series Data . In: Maimon O, Rokach L, editor. Data Mining and Knowledge Discovery Handbook . Boston, MA: Springer ; 2005. p. 1069–103. Available from: هنا
