المقدمة
إن التنبؤ بحركة البيتكوين ولو ليوم واحد مسبقاً مهمة تعجز أمامها حتى أكثر الخوارزميات تطوراً. يجمع سوق العملات المشفرة بين سمات الأصول المالية التقليدية والأدوات الاستثمارية عالية المخاطر: تتعايش هنا الاتجاهات طويلة الأجل مع فجوات سعرية حادة وضجيج شبه عشوائي. معظم الشبكات العصبية الحالية تتعامل مع هذه المهمة بشكل جزئي فقط: فهي تلتقط الاتجاه العام بشكل جيد، لكنها تستجيب للانعكاسات بتأخير ملحوظ. النهج الجديد المقترح في دراسة على arXiv يحاول حل هذه المشكلة بطريقة جذرية مختلفة — عبر مزيج من مؤثرات فورييه والتوجيه متعدد الخبراء. يتعلق الأمر بإطار عمل MoFE (Mixture-of-Experts with Fourier Neural Operators)، الذي طوره بوين ليو ومينغمينغ سون. قُدم العمل في مؤتمر IEEE ICBC 2026، ونُشرت النسخة الأولية في الوصول المفتوح في أغسطس من العام نفسه.
بدلاً من ملاءمة نموذج واحد شامل لجميع حالات السوق، يستخدم MoFE مجموعة من الخبراء المتخصصين، كل منهم مسؤول عن نوع معين من ديناميكيات الأسعار، ومنسقاً ديناميكياً يقرر أيّهم يجب الاستماع إليه في اللحظة الراهنة.
لماذا يصعب التنبؤ بسوق العملات المشفرة
تفترض الأساليب الكلاسيكية للتنبؤ بالسلاسل الزمنية — من الانحدار الذاتي إلى LSTM — أن البيانات تمتلك قدراً معيناً من الثباتية على الأقل في مقاطع قصيرة. في العملات المشفرة، يُنتهك هذا الافتراض لعدة أسباب. أولاً، السوق عرضة لتغيرات متكررة في الأنظمة: فالاتجاه الهادئ قد يتحول في غضون ساعات إلى ذعر أو إلى ارتفاع غير عقلاني. ثانياً، تعمل داخل السلسلة السعرية عمليات متزامنة بمقاييس مختلفة — من دورات متعددة السنوات مرتبطة بالتنصيف، إلى تذبذبات دقيقة على مستوى الثواني. ثالثاً، هذه العمليات ليست مستقلة إحصائياً، بل تشكل شبكة عشوائية معقدة.
لهذا السبب، غالباً ما تقدم النماذج المدربة على البيانات التاريخية تنبؤات منزاحة زمنياً. يبدو أنها تلاحق السوق بدلاً من استباقه. التأخر الطوري ملحوظ بشكل خاص في الآفاق القصيرة — يوم أو أسبوع، حيث يمكن للسعر أن يغير اتجاهه عدة مرات. في مثل هذه الظروف، لا جدوى من مجرد زيادة عمق الشبكة العصبية: فالخطأ يتراكم ويؤدي إلى تأخير أكبر. يحاول MoFE معالجة هذا القصور عبر تفكيك المهمة إلى مكونات طيفية وتكليف كل منها بخبير منفصل.
كيف يعمل MoFE
الخبراء: فورييه والالتفاف
الفكرة الأساسية في MoFE هي استخدام تحويل فورييه كوسيلة للانتقال من المجال الزمني إلى المجال الترددي. بدلاً من التنبؤ بالقيمة التالية للسعر مباشرة، يتعلم النموذج تعيين "دالة إلى دالة": فهو لا يستقبل نقاطاً منفردة، بل مقطعاً كاملاً من السلسلة الزمنية ويُخرج مقطعاً آخر منزاحاً إلى الأمام. هذا النهج تتيحه مؤثرات فورييه — بنى رياضية تتعامل مع الدوال وليس المتجهات. داخل MoFE يُستخدم نسخة تكيفية من مؤثر فورييه (AFNO) مسؤولة عن الأنماط الطيفية العالمية. بالإضافة إلى ذلك، يتضمن النموذج خبراء التفاف يعملون في مجالين في آنٍ واحد — الزمني والترددي. يلتقطون الخصائص المحلية والبنية الدقيقة للسوق التي تفلت من التحليل الطيفي البحت.
جميع الخبراء يتعلمون تعيينات مستمرة، مما يسمح للنموذج بالتعميم على ظروف سوق جديدة دون إعادة تدريب على لحظات تاريخية محددة. هذه النظرة "الدالية" مفيدة بشكل خاص للبيانات المالية، حيث لا تهم القيم الدقيقة فحسب، بل أيضاً طبيعة تغير المنحنى.
التوجيه الديناميكي
كيف نقرر أي خبير سيعمل بشكل أفضل في اللحظة التالية؟ لهذا الغرض، يستخدم MoFE آلية مزيج الخبراء (Mixture-of-Experts). يقوم مُوجّه خاص بتحليل الحالة الراهنة للسوق وحساب الأوزان لكل خبير. في نظام معين، قد يلعب الخبير الطيفي دوراً أكبر لالتقاط الاتجاه طويل الأجل، بينما في نظام آخر يكون الخبير الالتفافي أكثر حساسية للارتفاعات قصيرة الأجل. يتعلم المُوجّه مع الخبراء ويضبط نفسه بمرور الوقت للتعرف على الأنماط السوقية النمطية. بفضل هذا، يمكن للنموذج تبديل الاستراتيجية فوراً دون الحاجة إلى إعادة تشغيل التدريب.
لماذا يعمل هذا: المعادلات العشوائية
اعتمد مؤلفو MoFE في بناء البنية على نظرية المعادلات التفاضلية العشوائية. وفقاً لهذا المفهوم، سعر الأصل المشفر هو حل لمعادلة تكون فيها التقلبات ليست قيمة ثابتة، بل تراكباً لعدة عمليات تذبذبية. على سبيل المثال، النمو الأساسي للسعر مرتبط بتطور شبكة المستخدمين وتبني التكنولوجيا؛ المكون الموسمي ناتج عن دورات التعدين وتغير الصعوبة والتنصيف؛ وأخيراً، المكون الفوضوي يولَّد من المشاعر الجماعية للمتداولين.
كل من هذه المكونات له ملف ترددي خاص به، وإذا فُككت السلسلة السعرية إلى هذه الملفات، فإن التنبؤ يتحول إلى استمرار كل تذبذب على أفق قصير ثم تراكب النتائج. هذه هي العملية التي ينفذها MoFE بالضبط، عبر دمج عدة خبراء متخصصين، كل منهم مُدرَّب على نطاق ترددي خاص به. هذا يتجنب المتوسط الذي تميل إليه النماذج الشاملة، وفي الوقت نفسه ينعم الضجيج دون فقدان الإشارات المهمة.
التجارب والنتائج
للتحقق من الفعالية، أجرى المؤلفون تجارب على بيانات البيتكوين للفترة من يناير 2020 إلى ديسمبر 2025. اختُبر النموذج على التنبؤ بيوم واحد مسبقاً (T+1) وخمسة أيام مسبقاً (T+5). وفقاً للنتائج المعروضة، يُظهر MoFE نتائج بمستوى أحدث ما توصلت إليه التقنيات (state-of-the-art) في عدد من المقاييس. على وجه الخصوص، يُظهر دقة أعلى بشكل ملحوظ في التنبؤ باتجاه حركة السعر (Directional Accuracy) وقيمة أفضل لمعامل المعلومات (Information Coefficient) مقارنة بالنماذج الأساسية.
تحظى محاكاة التداول باهتمام خاص. عندما استُخدمت تنبؤات MoFE لاتخاذ قرارات تداول في بيئة افتراضية، أظهر النموذج عائداً زائداً كبيراً مع الحفاظ على مستوى منخفض من المخاطر، معبراً عنه بقيم عالية لمعامل شارب. هذا يعني أن النموذج لا "يخمن" الاتجاه فحسب، بل يفعل ذلك باستقرار كافٍ دون انهيارات كارثية. الميزة الرئيسية التي يذكرها المؤلفون هي إزالة التأخر الطوري: تنبؤ MoFE يتبع تغيرات السعر بأقل تأخير، وهو أمر حاسم للتداول الحقيقي حيث يمكن أن تكلف بضع ساعات عشرات النقاط المئوية من الأرباح.
الاستنتاجات
MoFE هو خطوة نحو نهج أكثر ذكاءً للتنبؤ بالأسواق المالية. بدلاً من محاربة عدم الثباتية عبر تعقيد البنية، يتقبلها كأمر واقع ويقسم المهمة إلى مكونات مدروسة جيداً. توفر مؤثرات فورييه جهازاً رياضياً قوياً للتعامل مع الدوال، بينما يضيف التوجيه متعدد الخبراء مرونة وقابلية للتكيف.
يُظهر إطار العمل المقترح MoFE أن الجمع بين فكرتين تبدوان مختلفتين — التحليل الطيفي ومزيج الخبراء — يمكن أن ينتج تأثيراً تآزرياً. من المرجح أن يرتبط التطوير الإضافي للنهج بتطبيقه على أصول أخرى، واستخدام خبراء أكثر تنوعاً، والتكامل مع بيانات بديلة مثل المشاعر الاجتماعية أو تدفقات البلوكشين. لكن من الواضح بالفعل الآن: إذا كنت تريد التنبؤ بسوق العملات المشفرة، فمن الجدير الالتفات إلى مثل هذه الهجائن، وليس إلى النماذج "الشاملة" التي تتوسط الاتجاهات والضجيج بشكل متساوٍ.
