ذكاء الأسراب يتيح رؤية أوضح لأسواق العملات المشفرة

هل يمكن للذكاء الاصطناعي القابل للتفسير تحسين التنبؤ بأسواق العملات المشفرة؟

قد يحقق نظام التنبؤ بالعملات المشفرة أخطاءً أقل، من دون أن يتنبأ على نحو موثوق بما إذا كانت الأسعار سترتفع أم ستنخفض. يسهل إغفال هذا الفرق، لكنه يفصل بين أداة بحثية واعدة واستراتيجية تداول ثبتت فاعليتها.

تستكشف دراسة جديدة قُبلت للنشر في مجلة Applied Soft Computing هذا التباين من خلال نظام يجمع بين ذكاء الأسراب والقواعد الإحصائية القابلة للتفسير.¹ وبدلًا من التعامل مع أسواق العملات المشفرة على أنها تدفق متصل واحد من الأسعار، يدرّب الباحثون نموذجهم على التعرّف إلى حالات السوق المختلفة وتقدير كيفية انتقالها.

تشير النتائج إلى مسار واعد للذكاء الاصطناعي المالي: تنبؤات يستطيع الناس فحصها ومساءلتها. كما توضح لماذا ينبغي تقييم الشفافية والدقة الإحصائية والربحية الاستثمارية كلًّا على حدة.

كيف يتعلم ذكاء الأسراب حالات سوق العملات المشفرة

يجمع النظام بين التحسين بسرب الجسيمات، أو PSO، والتنبؤ باستخدام نموذج ماركوف. وعلى الرغم من المصطلحات، فإن منطقه الأساسي يسهل فهمه.

أولًا، يصنّف النموذج العوائد اليومية ضمن حالات تمثل نتائج مختلفة للسوق. وقد تميّز هذه الحالات بين الخسائر الطفيفة والتحركات المحايدة نسبيًا والمكاسب. ويكتسب موضع هذه الحدود أهمية، إذ قد يؤدي التصنيف غير المناسب إلى حجب أنماط مفيدة أو إظهار أنماط مضللة.

يبحث PSO عن حدود أفضل. وتتحرك حلول مرشحة متعددة في فضاء بحث رياضي، معدّلةً مواقعها استنادًا إلى معلومات من نتائجها السابقة ونتائج الحلول المرشحة الأخرى. وتشبه هذه العملية مجموعة تتبادل الإشارات أثناء بحثها عن موقع واعد.

ثم يقدّر نموذج ماركوف احتمالات الانتقال بين الحالات. وهو يبحث فيما كان يحدث عادةً بعد ظروف حديثة مماثلة، بدلًا من محاولة تفسير كل حركة سعرية.

كما يراعي الباحثون أنماط السوق عند تحديد هذه العلاقات، بما فيها بيئات التقلب والاتجاه المختلفة. فالانتقال الذي يُرصد في سوق هادئة لا يلزم أن يحمل المعنى نفسه في أوقات الاضطراب.

لذلك، يتمثل الابتكار الأساسي في الطريقة التي يتعلم بها النظام مفردات السوق. فتصبح تعريفات الحالات جزءًا من مسألة التنبؤ، بدلًا من أن تكون فئات ثابتة تُحدّد قبل بدء التنبؤ.

ما الذي توصلت إليه دراسة التنبؤ بالعملات المشفرة فعليًا

يغطي التحليل الرئيسي Bitcoin (BTC )، وEthereum (ETH )، وLitecoin (LTC )، وXRP خلال الفترة من 1 يناير 2018 إلى 22 أبريل 2026. ويقيّم اختبار مرجعي متجدد منفصل أداء Bitcoin وEthereum وBNB مقارنةً بالسير العشوائي، والنموذج الإحصائي الكلاسيكي ARIMA، ونموذج التعلم الآلي XGBoost.

هذان تحليلان متكاملان يشمل كل منهما مجموعة مختلفة من الأصول. وتسجل المقارنة المتجددة 270 تنبؤًا إجمالًا خارج العينة، لذا لا ينبغي الخلط بين مجموعة البيانات التاريخية الطويلة وآلاف التنبؤات التي خضعت لتقييم مستقل.

يعاقب RMSE، أو جذر متوسط مربع الخطأ، الأخطاء الكبيرة في التنبؤ بدرجة أكبر. أما MAE، أو متوسط الخطأ المطلق، فيقيس متوسط حجم الخطأ من دون هذا الترجيح الإضافي. ويتعلق كلا المقياسين بتنبؤات العوائد، لا بأرباح التداول.

يسجل النظام المقترح أدنى قيمة لـRMSE، لكن تفوقه على ARIMA محدود. ويحقق ARIMA قيمة MAE أفضل قليلًا، فيما لا تثبت الاختبارات الإحصائية الرسمية وجود فرق بينهما في خسارة التنبؤ.

أما التنبؤ بالاتجاه فأضعف. إذ يحدد النظام المقترح الاتجاه الصحيح في 48.89% من الحالات، وهي نتيجة لا تختلف إحصائيًا عن معيار 50%. ولا يثبت أي من النماذج المختبرة دقةً إحصائيةً في تحديد الاتجاه تتجاوز ذلك المعيار.

يمثل معايرة الاحتمالات قيدًا آخر. فالنموذج المحكم المعايرة، الذي يسند احتمالًا قدره 70% إلى نتيجة ما، ينبغي أن يشهد وقوع تلك النتيجة في نحو 70% من الحالات عبر تنبؤات قابلة للمقارنة. ويحقق ARIMA وXGBoost أداءً أفضل وفق مقاييس المعايرة الإجمالية الواردة في الدراسة.

لماذا لا تضمن أخطاء التنبؤ الأقل تحقيق أرباح من التداول

قد تظل تنبؤات النموذج قريبة إلى حد معقول من العوائد الفعلية، بينما يخطئ مرارًا في تحديد اتجاهها. وعندما تكون تحركات كثيرة خلال اليوم صغيرة، قد تحدّ التنبؤات المتمحورة حول الصفر من الخطأ من دون أن تحدد صفقات مجدية.

وتتطلب الربحية عوامل إضافية. فالمكاسب تتوقف على حجم المراكز الرابحة والخاسرة، وأسعار التنفيذ، والرسوم، وفروق الأسعار، ومدى تكرار تداول الاستراتيجية. وقد يؤدي معدل إصابة مرتفع في تحديد الاتجاه إلى خسارة المال، في حين يمكن أحيانًا لمعدل أقل أن يحقق أرباحًا إذا فاقت المكاسب الخسائر.

لا تعرض الورقة البحثية محاكاةً للتداول معدّلةً بحسب تكاليف المعاملات. وتدعم نتائجها إجراء مزيد من البحث في التنبؤ والرصد، لكنها لا تثبت وجود ميزة استثمارية قابلة للتنفيذ.

ويكمل هذا التمييز التغطية الحديثة التي نشرتها Securities.io عن المخاطر الخفية في تداول العقود الآجلة للعملات المشفرة. فتقدير العائد وفهم إمكانية تداول مركز بأمان مهمتان مترابطتان، لكنهما منفصلتان.

قابلية التفسير تخلق نوعًا مختلفًا من القيمة

يكشف النموذج المقترح عن قواعد الانتقال والملاحظات التاريخية التي تستند إليها. وقد يساعد ذلك المحلل على تحديد ما إذا كان نمط ظاهر يستند إلى أدلة وافية أم إلى مجموعة صغيرة من الحالات غير المألوفة.

فعلى سبيل المثال، يمكن للوحة معلومات بحثية أن ترصد قاعدة انتقال تستند إلى أدلة محدودة، لإخضاعها للمراجعة اليدوية. وهذا تطبيق محتمل، لا نتيجة أثبتتها الدراسة.

كما تجعل الشفافية تقصي أسباب الإخفاق أسهل. إذ يمكن للمحللين التحقق مما إذا كانت حدود الحالات قد أصبحت غير ملائمة، أو ما إذا كان النظام قد تغيّر، أو ما إذا كان انتقال شائع في السابق قد توقف. وينبغي تقييم هذه القيمة التشخيصية إلى جانب الأداء التنبؤي.

ذاكرة سوق العملات المشفرة تتغير بتغير الظروف

في التحليل الرئيسي للأصول الأربعة، اختارت جميع الأصول الاعتماد من الرتبة الأولى. وهذا يعني عمليًا أن الحالة الأحدث توفر سياق الانتقال المختار. ولا تؤدي السلاسل الأطول تلقائيًا إلى تنبؤات أكثر فائدة.

ولا يعني هذا أن المعلومات الأقدم لا تكون مهمة أبدًا. فالملاحظات التاريخية تظل ضرورية لتقدير العلاقات. لكن إضافة مزيد من الحالات المتتالية إلى قاعدة التنبؤ قد تشتت الأدلة المتاحة.

كلما زاد عدد السلاسل المحتملة، قلّ عدد الأمثلة المتاحة لكل سلسلة. وتجعل التحولات بين الأنظمة هذا الأمر أصعب، لأن العلاقات التي جرى تعلمها في ظل مجموعة من الظروف قد تضعف في ظل ظروف أخرى.

ويمتد هذا الاستنتاج إلى ما هو أبعد من العملات المشفرة: ينبغي أن تثبت الاختبارات جدوى التعقيد. فلا تكون الذاكرة الأطول أو البنية الأكثر تفصيلًا مفيدة إلا عندما تفوق قيمة المعلومات الإضافية ما يصاحبها من قدر أكبر من عدم اليقين.

وتهم جودة البيانات أيضًا. فتغطية Securities.io لـالتداول الوهمي وتقلبات السوق تسلط الضوء على ضرورة التدقيق في النشاط الظاهر. وإضافة مؤشرات الحجم أو السيولة إلى النماذج المستقبلية ستوفر معلومات جديدة، لكنها ستفرض أيضًا متطلبات جديدة للتحقق من صحة البيانات.

ما ينبغي للمستثمرين المطالبة به من الذكاء الاصطناعي المالي

تتمثل الخطوة التالية في تعزيز التحقق عبر مزيد من الأصول وظروف السوق والأساليب المنافسة. ويحدد الباحثون المقارنات المرجعية الأوسع، وتحسين المعايرة، وتكرار عمليات التحسين، والتقييم الاقتصادي، بوصفها مجالات تستدعي مزيدًا من العمل.

يمكن للمستثمرين الذين يقيّمون أدوات مماثلة التركيز على ثلاثة أسئلة:

• هل يستمر الأداء على بيانات لم تُستخدم من قبل، مقارنةً ببدائل أبسط وموثوقة؟
• هل تتوافق الاحتمالات المُعلنة مع النتائج المرصودة؟
• هل تصمد أي ميزة تداولية بعد احتساب تكاليف التنفيذ الواقعية؟

إن إبقاء هذه الأسئلة منفصلة يحول دون تحويل نتيجة قوية وفق مقياس واحد إلى ادعاء غير مسند بشأن مقياس آخر. كما يمنح المطورين أهدافًا أوضح للتحسين.

تربط Coinbase تحليلات العملات المشفرة بالبنية التحتية للسوق

للمستثمرين المهتمين بالبنية التحتية التي تدعم أسواقًا أكثر تطورًا للعملات المشفرة، تمثل Coinbase شركة عامة جديرة بالدراسة. وتجمع منصتها المؤسسية بين خدمات التنفيذ والحفظ والتمويل وغيرها عبر Coinbase Prime.

ولا تقتصر الصلة على أسلوب التنبؤ هذا. فالمؤسسات تحتاج إلى بيانات موثوقة وضوابط تشغيلية وبنية تحتية للتنفيذ لتحويل الأبحاث إلى إجراءات عمل قابلة للاستخدام. ويمكن للنماذج القابلة للتفسير أن تكمل هذه الأنظمة إذا أثبتت الاختبارات اللاحقة قيمتها العملية.

وتنشر Coinbase أيضًا تحليلات للسوق. ويتناول تقرير توقعات Charting Crypto الصادر في 7 أكتوبر أوضاع السلسلة وتقييم الأصول والسيولة، موضحًا اتساع نطاق المعلومات المتاحة بما يتجاوز انتقالات العوائد التاريخية.

لا تثبت الدراسة أن Coinbase تستخدم هذه البنية أو أنها ستحقق فائدة مالية من اعتمادها. كما تنطوي أسهم Coinbase على مخاطر تجارية وتنافسية وتنظيمية ومخاطر مرتبطة بسوق العملات المشفرة. والسؤال الاستثماري الأهم هو ما إذا كانت بنيتها التحتية قادرة على تلبية طلب العملاء المستدام، لا ما إذا كان نموذج تنبؤ واحد سينجح.

أحدث أخبار وتطورات Coinbase (COIN)

مستقبل أكثر قابلية للاختبار للتنبؤ بأسواق العملات المشفرة

تتمثل مساهمة الدراسة في عملية تنبؤ قابلة للفحص، تحقق أداءً تنافسيًا من حيث أخطاء العوائد. ولا تقل حدودها دلالةً: فالتنبؤات الاتجاهية لا تزال قريبة من مستوى المصادفة، والمعايرة تحتاج إلى تحسين، والربحية لم تُختبر بعد.

يمكن إحراز تقدم بجعل الذكاء الاصطناعي المالي أسهل في مساءلته. فعندما يتمكن المستخدمون من فحص القواعد، وفهم الأدلة التي تستند إليها، والتمييز بين الأداء الإحصائي والقيمة الاقتصادية، يصبح لديهم أساس أفضل لتحديد الموضع المناسب للنموذج ضمن سير عمل الاستثمار.

المراجع:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). نظام ماركوف ذكي للتنبؤ بديناميكيات العملات المشفرة المعتمدة على الأنظمة، ومحسّن بخوارزمية تحسين سرب الجسيمات (PSO). Applied Soft Computing. نُشر إلكترونيًا قبل إدراجه في عدد. https://doi.org/10.1016/j.asoc.2026.116666