نماذج توقع أسعار العملات المشفرة بالذكاء الاصطناعي تواجه اختبار التقلب

الذكاء الاصطناعي (AI) هو أحد أهم التقدمات التكنولوجية في العصر الحديث، حيث يعيد تشكيل ليس فقط طريقة عملنا بل أيضًا طريقة اتخاذنا للقرارات.

في أسواق العملات المشفرة، التي تعمل على مدار الساعة عبر الحدود، حظيت نماذج الذكاء الاصطناعي باهتمام وتبني كبيرين، خاصةً في توقع الأسعار التي تشهد تحركات مفاجئة ومتطرفة. تجعل هذه التقلبات العملات المشفرة فرصة استثنائية ولكنها أيضًا غير قابلة للتنبؤ إلى حد كبير.

مع تقدم التكنولوجيا وانتشارها على نطاق واسع، يتجه المشاركون في السوق بشكل متزايد إلى أنظمة التعلم الآلي لتصفية الضوضاء، وتحديد الأنماط، وتوليد رؤى تنبؤية.

مع ذلك، تمثل أسواق العملات المشفرة أحد أقسى البيئات المالية للتنبؤ.

التقلب الشديد هو سبب رئيسي، ولكن هناك عوامل أخرى تشمل المشاعر المضاربية، الصدمات الاقتصادية الكلية، التغييرات التنظيمية، وسلوك التداول المدفوع بوسائل التواصل الاجتماعي، مما يجعل توقع أسعار العملات المشفرة صعبًا للغاية.

مسلحين بهياكل التعلم العميق المتطورة وكم هائل من بيانات السلسلة والبيانات السوقية، يحاول الباحثون والمتداولون والمستثمرون الآن القيام بما فشل فيه المحللون البشريون في الغالب بشكل مستمر: توقع الاتجاه المستقبلي لأسعار العملات المشفرة.

لكن السؤال الأساسي الآن ليس ما إذا كان الذكاء الاصطناعي قادرًا على توقع أسعار العملات المشفرة على الإطلاق، بل ما إذا كانت هذه النماذج تستطيع باستمرار تقديم مزايا تداول موثوقة في العالم الحقيقي تحت ظروف السوق المتقلبة.

مع استمرار تبني العملات المشفرة في النمو وانتشارها في التيار الرئيسي من خلال دمجها مع القطاع المالي التقليدي، تهدف الأبحاث الجديدة إلى تجاوز التحديات التي تفرضها تقلبات الأسعار الشديدة وتوفير نموذج موثوق لتوليد توقعات دقيقة.

تقيّم الأبحاث نماذج التعلم العميق عبر أربع عملات مشفرة رئيسية: بيتكوين، إيثريوم، دوجكوين، ولايتكوين، وتجد أنه بينما يمكن لخوارزميات التعلم الآلي المتقدمة تحسين دقة التنبؤ تحت ظروف معينة، لا يزال التقلب يحد من متانتها وقابليتها للتوسع وتطبيقها العملي.

ازدهار الذكاء الاصطناعي يصل إلى أسواق العملات المشفرة

اليوم، الذكاء الاصطناعي موجود في كل مكان، يصبح جزءًا أساسيًا من حياتنا. وعلى الرغم من أنه قد يبدو أن الذكاء الاصطناعي ظهر من العدم، إلا أن ذلك ليس صحيحًا.

يتم تطوير الذكاء الاصطناعي منذ خمسينيات القرن الماضي، متطورًا عبر عقود من الأبحاث والاختراقات التكنولوجية. وعلى الرغم من تاريخها الطويل، انتقلت التقنية من مجال ناشئ إلى أداة تجارية رئيسية بسرعة ملحوظة. أصبح هذا التسارع لا يمكن تجاهله في أواخر عام 2022 مع إطلاق ChatGPT.

روبوت الدردشة الشهير من OpenAI، ChatGPT، المدعوم من مايكروسوفت (MSFT )، حطم الأرقام القياسية بوصوله إلى مليون مستخدم في غضون خمسة أيام فقط. من خلال جعل نماذج اللغة الكبيرة (LLMs) القوية متاحة بسهولة للمستخدمين العاديين، دفع ChatGPT الذكاء الاصطناعي من مفهوم تقني متخصص إلى التيار الرئيسي. الآن لديه 900 مليون مستخدم نشط أسبوعيًا على مستوى العالم، مما يعني أن حصة كبيرة من سكان العالم تتفاعل الآن مع الذكاء الاصطناعي بشكل ما.

يمتد هذا التبني إلى ما هو أبعد من المستهلكين. تستخدم الشركات اليوم أدوات الذكاء الاصطناعي بشكل متزايد للأتمتة، وتطوير البرمجيات، والأمن السيبراني، وتشخيص الرعاية الصحية، والتسويق، وخدمة العملاء، واللوجستيات، والتنبؤ.

وفقًا لماكينزي، سيستخدم حوالي 88٪ من المؤسسات التي شُوهدت الذكاء الاصطناعي في وظيفة تجارية واحدة على الأقل بحلول عام 2025، معتبرين “الذكاء الاصطناعي كعامل محفز لتحويل مؤسساتهم، وإعادة تصميم سير العمل وتسريع الابتكار”.

جاذبية الذكاء الاصطناعي تكمن في قدرته على معالجة كميات هائلة من البيانات، وأتمتة المهام المتكررة، وتحديد العلاقات غير الخطية، وتوليد توقعات أسرع بكثير من البشر. نتيجة لذلك، تقوم الشركات بنشر الذكاء الاصطناعي بسرعة لتحسين الإنتاجية، وخفض التكاليف التشغيلية، وتخصيص تجارب العملاء، وتسريع دورات الابتكار.

تقدّر ماكينزي أن الذكاء الاصطناعي قد يساهم بتريليونات الدولارات في تحسين الإنتاجية على المدى الطويل عالميًا. ولا عجب أن أحد أكثر المجالات نشاطًا لنشر الذكاء الاصطناعي هو القطاع المالي، حيث تستخدم البنوك وشركات الاستثمار نماذج التعلم الآلي لاكتشاف الاحتيال، والامتثال لقواعد مكافحة غسل الأموال (AML)، وإدارة المخاطر، وتنفيذ الصفقات تلقائيًا.

في الوقت نفسه، ظهرت أسواق العملات المشفرة كبيئات جذابة بشكل خاص لتجارب الذكاء الاصطناعي بسبب هيكلها الرقمي الأصلي وتوليدها للبيانات عالية التردد.

الذكاء الاصطناعي في العملات المشفرة يشير عمومًا إلى تطبيق التعلم الآلي، التعلم العميق، معالجة اللغة الطبيعية، التعلم المعزز، والتحليلات التنبؤية على الأنظمة المالية القائمة على البلوك تشين. حاليًا، تُستخدم أدوات الذكاء الاصطناعي لروبوتات التداول في العملات المشفرة، تحليل مشاعر السوق، اكتشاف الاحتيال، تحليلات البلوك تشين، تدقيق العقود الذكية، تحسين المحافظ، إدارة المخاطر الذاتية، تحليلات التمويل اللامركزي (DeFi)، وتوقع أسعار الرموز، بينما يوفر البلوك تشين الشفافية وإمكانية التدقيق.

من المتوقع أن يشكل تقارب الذكاء الاصطناعي والعملات المشفرة، وهو تطور طبيعي، الجيل القادم من المنتجات المالية ويدفع التبني إلى ما وراء المضاربة إلى تطبيقات حقيقية تولد إيرادات.

الأهم من ذلك، أن التزايد المتسارع للمؤسسات في أسواق العملات المشفرة، إلى جانب توسع الأصول الرقمية، قد زاد الطلب على أنظمة تنبؤية أكثر تعقيدًا قادرة على التنقل في بيئات الأسعار المتقلبة.

البحث عن ميزة في سوق فوضوي

مع ظهور العملات المشفرة كعامل رئيسي في فرص السوق المالية، يسعى المستثمرون إلى توقعات دقيقة لاتخاذ قرارات مستنيرة وزيادة الأرباح. لكن توقع أسعار العملات المشفرة ليس سهلاً؛ كما تشير دراسة عام 2020¹، فإنها مهمة صعبة “نظرًا لطبيعتها الفوضوية والمعقدة للغاية”.

توقع أسعار العملات المشفرة هو عملية توقع تحركات الأسعار المستقبلية باستخدام البيانات التاريخية، والمؤشرات التقنية، وسلوك التداول، والمعلومات الاقتصادية الكلية، ومجموعات بيانات أخرى مثل مشاعر وسائل التواصل الاجتماعي ونشاط البلوك تشين. يقع عند تقاطع المخاطر المالية الكبيرة وتحدٍ علمي حقيقي.

بالنسبة للمستثمرين، فإن القدرة على توقع تحركات الأسعار المستقبلية تأتي مع إمكانية تحقيق أرباح. حاليًا، يمتلك أكثر من نصف مليار شخص على الأقل عملة مشفرة واحدة، وتستحوذ بيتكوين وحدها على 58٪ من إجمالي سوق العملات المشفرة بقيمة سوقية تبلغ 1.5 تريليون دولار.

مع هذا العدد الكبير من المستخدمين وهذا الكم الهائل من رأس المال المتداول، حتى نموذج تنبؤ بسيطًا أفضل يمكن أن يمنح ميزة مالية كبيرة للعديد من الأشخاص.

تقدير سريع للأسعار وانخفاض حاد في فترة قصيرة، على وجه الخصوص، يخلق فرص ربح للمتداولين المضاربيين. تظهر دورات العملات المشفرة السابقة أنه عندما تقفز التقلبات، يحقق المتداولون الذين يتفاعلون في الوقت المناسب عبر التحول داخل وخارج العملات المستقرة أداءً أفضل. ومع ذلك، لا يعتمد التنقل بين هذه التحولات على الانضباط فقط؛ بل يتطلب أيضًا بصيرة، وهو ما تعد به نماذج التنبؤ.

نظرًا لأن العملات المشفرة تتداول باستمرار وتواجه تقلبات قصيرة الأجل كبيرة، فإن أدوات التنبؤ تكون ذات قيمة للمتداولين والمستثمرين لتحسين توقيت دخولهم، وتحديد حجم المراكز، وتوازن المحافظ، وإدارة التعرض للمخاطر، وحتى استغلال فرص المراجحة. لكن توقع أسعار العملات المشفرة ليس سهلاً مثل توقع الأصول المالية التقليدية.

التقلب العالي المتأصل في العملات المشفرة، الذي يجعلها سوقًا مربحًا للمضاربة، يعقّد أيضًا تحليل الأسعار التنبؤية. ثم هناك حقيقة أن أسواق العملات المشفرة تتحرك بناءً على العواطف، والأخبار، وأفعال حاملي الرموز الرئيسيين، أو الحيتان. يمكن للحيتان تحريك الأسواق بصفقة واحدة فقط. وبالمثل، فإن السرديات على وسائل التواصل الاجتماعي، والتطورات التنظيمية، والظروف الاقتصادية الكلية، وتدفقات البيانات على السلسلة لها تأثير هائل على أسعار العملات المشفرة.

علاوة على ذلك، فإن الطبيعة اللامركزية للعملات المشفرة، وميزاتها المميزة مثل سرعة المعاملات وتنوع الأنظمة البيئية، وحساسيتها لعوامل مثل التقدمات التكنولوجية، السياسات الحكومية، الأحداث العالمية، والرأي العام، تزيد من صعوبة تقديم توقعات دقيقة.

لذلك، من الصعب على أنظمة الذكاء الاصطناعي توقع تحركات العملات المشفرة بدقة. تواجه التقنية مشاكل جودة البيانات، وضعف التعميم، تغيرات الأنظمة، وأحداث البجعة السوداء. تعمل نماذج الذكاء الاصطناعي بشكل أفضل لإشارات الاتجاه، وتقييم المشاعر، واحتمالية الاتجاهات القصيرة الأجل بدلاً من الأهداف السعرية الدقيقة.

على الرغم من القيود، فقد نما تطبيق الذكاء الاصطناعي على توقعات العملات المشفرة بشكل كبير.

الوعد ونقاط الفشل في نماذج الذكاء الاصطناعي

مثلما هو الحال في توقع أسعار الأسهم، يُعد توقع أسعار العملات المشفرة نوعًا شائعًا من مشاكل السلاسل الزمنية. لكن طرق التنبؤ التقليدية، مثل نماذج المتوسط المتحرك المتكامل الانحداري (ARIMA) المعروفة والانحدارات الإحصائية، تكافح لالتقاط السلوك غير الخطي لأسعار العملات المشفرة، التي تظهر أيضًا عدم استقرار الأنظمة وحساسية للصدمات الخارجية.

نماذج الذكاء الاصطناعي، وخاصة هياكل التعلم العميق، جذابة هنا لأنها تستطيع تعلم العلاقات الزمنية المعقدة والتكيف مع مجموعات بيانات متعددة الأبعاد الكبيرة.

التعلم العميق (DL) هو فرع من فروع التعلم الآلي صُمم لحل المشكلات غير الخطية والمعقدة. ومع تظاهر قيم العملات المشفرة بسلوك شبه فوضوي وغير قابل للتنبؤ، تقدم تقنيات التعلم العميق بديلاً ممتازًا لتوقع أسعار العملات المشفرة.

أصبحت هذه النماذج مركزية في أبحاث توقع العملات المشفرة الحديثة ومكونات قياسية في مكاتب التداول المؤسسية للعملات المشفرة.

تستخدم أنظمة التنبؤ بالعملات المشفرة المدفوعة بالذكاء الاصطناعي الحديثة عادةً شبكات الذاكرة طويلة المدى (LSTM) لتوقع السلاسل الزمنية، وشبكات الأعصاب التلافيفية (CNNs) لاستخراج الميزات، وهياكل المحولات (transformer) لنمذجة التسلسل، والنماذج المتعددة المتغيرات التي تستفيد من البيانات الاقتصادية الكلية والبيانات المرتبطة بالأصول، وأنظمة تحليل المشاعر المدربة على الأخبار وبيانات وسائل التواصل الاجتماعي، والتعلم المعزز لاستراتيجيات التداول الآلي.

تُعد شبكات CNN و LSTM من أكثر تقنيات التعلم العميق استخدامًا ونجاحًا.

تُعد LSTM نوعًا خاصًا من الشبكات العصبية المتكررة (RNN) صُممت لمعالجة البيانات المتسلسلة. بينما تكافح الشبكات التقليدية في تذكر السياق طويل الأمد، تستطيع LSTM تعلم الاعتمادات طويلة الأمد باستخدام اتصالات التغذية الراجعة.

تتكون هذه الشبكات من خلية ذاكرة لتخزين وتحديث المعلومات عبر الزمن، وبوابة إدخال تتحكم في المعلومات الجديدة التي يجب إضافتها إلى الخلية، وبوابة نسيان تتحكم في المعلومات التي يجب إزالتها، وبوابة إخراج تتحكم في المعلومات التي يجب تمريرها من خلية الذاكرة إلى الحالة المخفية التالية والإخراج، مما يخلق تدفق معلومات مُتحكم فيه.

أظهرت نماذج LSTM أداءً ملحوظًا في توقع السلاسل الزمنية، حيث تحمل الأنماط التاريخية الحديثة والبعيدة وزنًا تنبؤيًا.

في الوقت نفسه، تعالج الذاكرة طويلة المدى ثنائية الاتجاه (BiLSTM) بيانات السلسلة في كلا الاتجاهين الأمامي والخلفي. تربط طبقتين من LSTM في اتجاهين متعاكسين إلى مخرج مشترك، مما يلتقط كلًا من المعلومات السياقية الماضية والمستقبلية ويجعلها فعّالة للغاية في توقع السلاسل الزمنية.

ثم هناك الشبكات العصبية التلافيفية (CNN)، وهي نماذج تعلم عميق متخصصة صُممت لمعالجة البيانات ذات البنية الشبكية، مثل الصور والفيديو. تحاكي النظام البصري البشري من خلال تعلم الأنماط المكانية تلقائيًا، مثل تلك الموجودة في الكائنات المعقدة، عبر تسلسل من الفلاتر القابلة للتدريب. تستخدم CNN طبقات التلافيف والتجميع لتصفية البيانات الخام واستخراج الميزات القيمة، التي تُرسل إلى طبقة متصلة بالكامل لإنتاج النتيجة النهائية.

أما بالنسبة لهندسة المحول (transformer)، فهي التصميم الأساسي للتعلم العميق وراء الذكاء الاصطناعي الحديث، حيث تستخدم آلية الانتباه الذاتي لالتقاط العلاقات بين المدخلات. بدلاً من التحرك خطوة بخطوة، تعالج جميع السلاسل في آن واحد.

بينما يمكن لهذه النماذج التعامل مع عدم استقرار هيكل أسواق العملات المشفرة، يبقى السؤال ما إذا كان أي منها يمكنه تحسين التداول في العالم الحقيقي بشكل ملموس.

تواجه العديد من هذه النماذج مشكلات تتعلق بالأبعاد العالية وقابلية التوسع، مما يحد من قدرتها على التكيف مع التقلب الفريد لأسواق العملات المشفرة. كما تواجه تحديات تتعلق بالزيادة في التخصيص (overfitting)، حيث تميل النماذج المعقدة إلى تعلم الضوضاء الخاصة بمجموعة التدريب بدلاً من إشارة قابلة للتعميم.

الفجوة بين أداء المختبر وأداء السوق الحي لا تزال واسعة. بالنسبة للمستثمرين والمتداولين، يعني ذلك أنه بدلاً من اعتماد أدوات التنبؤ بالذكاء الاصطناعي ككرات بلورية، يجب استخدامها كنظم دعم اتخاذ القرار لتقليل عدم اليقين.

أبحاث جديدة تختبر الذكاء الاصطناعي ضد اضطراب العملات المشفرة

نشر باحثون من مجموعة أبحاث الذكاء الاصطناعي الانتقالي، كلية الرياضيات والإحصاء، جامعة نيو ساوث ويلز في سيدني، أستراليا، الدراسة “مراجعة نماذج التعلم العميق لتوقع أسعار العملات المشفرة: التنفيذ والتقييم²“، حيث قاموا بتقييم نماذج التعلم العميق لتوقع أسعار العملات المشفرة تحت ظروف متقلبة.

وجدوا أن نماذج التعلم الآلي والتعلم العميق واعدة بقدراتها التنبؤية وقدرتها على نمذجة البيانات المتعددة الأنماط، والبيانات المكانية الزمنية، والسلاسل الزمنية.

على وجه الخصوص، فحص الباحثون عدة هياكل تعلم عميق، بما في ذلك متغيرات LSTM و CNN، وأنظمة Conv‑LSTM، ونماذج المحول (transformer)، وقارنوا استراتيجيات التنبؤ أحادية المتغير ومتعددة المتغيرات عبر عدة عملات مشفرة رئيسية.

ركزت الدراسة على بيتكوين (BTC )، إيثريوم (ETH )، دوجكوين (DOGE )، ولايتكوين (LTC )، حيث تم تقييم أداء التنبؤ باستخدام مجموعات بيانات ما قبل جائحة كوفيد‑19 لتوقع فترة الجائحة المبكرة ومجموعات بيانات عصر كوفيد لتوقع الأسعار من 2023 إلى 2024.

باستخدام هذا التصميم، اختبر الباحثون كيفية استجابة أنظمة التعلم العميق لتقلبات كبيرة وتغيّر ظروف السوق.

وجدت الدراسة أن LSTM التلافيفي مع استراتيجيات متعددة المتغيرات ينتج باستمرار أداءً “ممتازًا” في التنبؤ عبر جميع العملات المشفرة الأربعة وفي كلا الشرطين التجريبيين. الاستراتيجية التي دمجت أسعار إغلاق العملات المشفرة ذات الارتباط العالي مع أسعار الذهب حققت أعلى دقة توقع. وتلتها نماذج LSTM ثنائية الاتجاه التي قدمت نتائج تنافسية.

في الوقت نفسه، أدت نماذج المحول أداءً ضعيفًا مقارنةً بالنظامين، وهو ما يتعارض مع سمعتها السائدة في المجالات الأخرى. قد يكون ذلك بسبب حجم مجموعات البيانات المتاحة.

تم تأسيس بيتكوين في عام 2009، لذا فهي عمرها 17 سنة فقط، بينما لايتكوين موجود منذ 15 سنة. عملة الميم الشهيرة دوجكوين لها تاريخ يمتد 13 سنة، بينما إيثريوم موجود منذ أكثر من عقد من الزمن.

تاريخ العملات المشفرة قصير نسبيًا، بينما تُناسب نماذج المحول كميات كبيرة من البيانات، وتصبح آلية الانتباه التي تجعلها قوية في النص عبئًا عندما تُطبق على السلاسل الزمنية المالية المحدودة لهذه الأصول المشفرة الرئيسية.

وجدت الدراسة أيضًا أن نماذج التعلم العميق المتعددة المتغيرات تفوقت على النماذج أحادية المتغير عند دمج العملات المشفرة ذات الارتباط العالي والمتغيرات الخارجية مثل أسعار الذهب.

يشير ذلك إلى أن العملات المشفرة لا تتحرك بشكل مستقل، وأن استخدام إشارات السوق المرتبطة يمكن أن يحسن الأداء التنبؤي. لاحظ الباحثون وجود ارتباطات قوية بشكل خاص بين سلوك سعر BTC و ETH، بينما أظهر DOGE نمط تقلب أكثر اضطرابًا وصعوبة في النمذجة. لكن إضافة المزيد من المتغيرات إلى نموذج لا يضمن تحسينًا.

وفقًا للدراسة، قد يؤدي دمج المتغيرات الخارجية العامة إلى إرباك النماذج. تستفيد الأداء من اختيار الميزات التي لها علاقة حقيقية ومستقرة مع المتغير المستهدف. لذا، عندما وسع الفريق النموذج المتعدد المتغيرات ليشمل العملة المصاحبة ذات الارتباط الأعلى إلى جانب الذهب، تحسنت دقة التوقع بشكل كبير.

من المهم أن البحث يبرز أن التقلب يقلل بشكل كبير من دقة التنبؤ. النماذج المدربة على مجموعات بيانات تقلب كوفيد‑19 أظهرت أخطاء توقع أعلى من تلك المدربة على بيانات ما قبل الجائحة الأكثر استقرارًا. يدعم هذا الاستنتاج الرأي العام بأن أنظمة التعلم العميق يمكنها تحديد الهياكل التاريخية وتحسين دقة التوقع قصير الأجل، لكن أداؤها يتدهور خلال فترات عدم الاستقرار الهيكلي والضغط السوقي.

قدمت تحول نظام كوفيد‑19 الاختبار الأكثر تعليمًا للضغط. عندما تم تقييم النماذج المدربة على بيانات ما قبل الجائحة خلال فترة كوفيد المبكرة، وعندما استخدمت النماذج المدربة على بيانات عصر كوفيد لتوقع الأسعار في 2023‑2024، انخفضت دقة التوقع بشكل ملحوظ. أشارت الدراسة إلى:

“فيما يتعلق بتأثير كوفيد‑19، وجدنا أن تقلب أسعار الإغلاق للعملات المشفرة واضح جدًا، مما يضيف تحديات إضافية للنماذج المعنية. تُظهر نتائجنا التجريبية أن استخدام مجموعة بيانات تدريب ذات تقلب عالي يضعف دقة توقعاتنا.”

كما أفادت الدراسة أن نموذج الأداء الأفضل، ارتفعت قيمة الخطأ المربع المتوسط (RMSE)، الذي يقيس الفرق المتوسط بين القيم الفعلية والمتوقعة، من 0.02 لبيتكوين وإيثريوم في تجربة ما قبل كوفيد إلى 0.03 في تجربة عصر كوفيد.

فيما يتعلق بعملة الميم الشهيرة DOGE، واجهت تحديات أكبر بسبب ارتفاعات تقلب شديدة في يناير ومايو 2021، حيث تجاوز تقلبها الشهري 20٪، وهو أعلى بكثير من المستويات التي شوهدت في بيانات التدريب.

علاوة على ذلك، أدت النماذج الإحصائية الأبسط مثل ARIMA والشبكات متعددة الطبقات (MLPs) أداءً أسوأ بكثير من هياكل التعلم العميق في مهام توقع العملات المشفرة.

مع ذلك، يحذر الباحثون من عدم اعتبار دقة التنبؤ ضمانًا للربحية في التداول. بينما يقلل انخفاض RMSE من الأخطاء ويعزز موثوقية التوقع، تعتمد نتائج التداول في العالم الحقيقي على جودة تنفيذ المتداول، سيولة السوق، الانزلاق، تكاليف المعاملات، والصدمات الخارجية المفاجئة.

جودة البيانات وحجمها هما قيود أخرى قد تفسر صعوبة نماذج المحول. وهذا يدعم فكرة أن التعقيد المعماري وحده لا يضمن تحسين أداء التنبؤ المالي.

لتحسين أنظمة توقع العملات المشفرة، توصي الورقة باستخدام التعلم العميق البايزي لتحديد عدم اليقين، والنماذج المتعددة الأنماط التي تدمج بيانات من الأخبار ووسائل التواصل الاجتماعي، والاستدلال السببي لتحديد المتغيرات ذات الارتباط الأقوى، وتوقعات ذات تردد أعلى باستخدام بيانات ساعية أو داخل اليوم.

الخلاصة

على مدار العقد الماضي، حققت العملات المشفرة تبنيًا كبيرًا وتبدأ الآن في الاندماج بعمق مع العالم المالي التقليدي. وعلى الرغم من ذلك، لا تزال شديدة التقلب وعرضة للسلوك المضاربي، والاضطرابات الاقتصادية الكلية، والعوامل الخارجية غير المتوقعة، مما يجعل توقع الأسعار بدقة أمرًا صعبًا للغاية.

تطور التنبؤ المدفوع بالذكاء الاصطناعي من موضوع أكاديمي متخصص إلى مجال اهتمام رئيسي للمتداولين والمؤسسات والباحثين الماليين الذين يسعون إلى التنقل في هذه الأسواق المتقلبة بفعالية أكبر.

مع ذلك، رغم أن أنظمة التعلم الآلي يمكنها تحسين جودة التنبؤ، إلا أنها لا تستطيع القضاء على عدم اليقين أو ضمان نتائج تداول مربحة باستمرار. حتى النماذج المتقدمة تظل عرضة للبيئات ذات التقلب العالي مثل فترة كوفيد‑19.

في النهاية، يُنظر إلى نماذج توقع العملات المشفرة بالذكاء الاصطناعي كأدوات دعم اتخاذ القرار القادرة على تحديد الأنماط التي قد يغفل عنها المحللون البشريون، ومعالجة مجموعات البيانات على نطاق لا يستطيع الأفراد تحمله، وتوليد إشارات احتمالية يمكن أن توفر ميزة ذات معنى في قرارات التداول.

انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.

المراجع

1. Pintelas, E., Livieris, I. E., Stavroyiannis, S., Kotsilieris, T., & Pintelas, P. (2020, May 7). التحقيق في مشكلة توقع أسعار العملات المشفرة: نهج التعلم العميق. تطبيقات وابتكارات الذكاء الاصطناعي, 584, 99–110. Springer. https://pmc.ncbi.nlm.nih.gov/articles/PMC7256561/
2. 2. Wu, J., Alom, M. Z., & Taha, T. M. (2026). مراجعة نماذج التعلم العميق لتوقع أسعار العملات المشفرة: التنفيذ والتقييم. أنظمة ذكية مع التطبيقات, 29, 101337. Elsevier. https://www.sciencedirect.com/science/article/pii/S3050475926002101