استخدام الشبكات العصبية في التنبؤ بسعر أونصة الذهب اعتمادًا على مؤشر الدولار للفترة (1990–2028)
ملخص:
يُعد الذهب من أهم
الأصول الاستثمارية التي يشهد سوقها تقلبات مستمرة
نتيجة العديد من
العوامل الاقتصادية والجيوسياسية. وفي ظل هذه التقلبات، تبرز الحاجة إلى أدوات
تنبؤية دقيقة تساعد المستثمرين على اتخاذ القرارات الرشيدة.
تم بناء نموذج شبكة
عصبية من نوع MLP للتنبؤ
بأسعار الذهب السنوية بناءً على بيانات تاريخية لسعر الأونصة ومؤشر الدولار
(1990-2024). استخدم النموذج 5 مدخلات معيارية شملت القيم المتأخرة والزخم السعري
وتغيرات مؤشر الدولار.
حيث كانت أهم نتائج
الدراسة:
- أظهر
النموذج دقة تنبؤية عالية مع خطأ تدريب نسبي 0.031 وخطأ اختبار 0.002
- كانت
أهم المتغيرات المؤثرة: السعر المتأخر (45%) ثم الزخم السعري (25%)
- التنبؤات
حتى 2028 أظهرت اتجاهًا صاعدًا مستمرًا:
- 2025:
3,407.28 دولار
- 2026:
3,780.63 دولار
- 2027:
3,877.77 دولار
- 2028:
3,974.92 دولار
وبالتالي نجد أن النموذج
نجح في التقاط العلاقات غير الخطية بين المتغيرات رغم بساطة هيكله (عقدة مخفية
واحدة)، مع الحفاظ على استقرار أدائه وقدرته التنبؤية. يؤكد البحث على فعالية
الشبكات العصبية في تحليل السلاسل الزمنية المالية حتى مع محدودية البيانات، مما
يفتح آفاقاً جديدة للتطبيقات الذكية في مجال التحليل المالي.
كلمات مفتاحية: مؤشر الدولار، لتنبؤ بأسعار الذهب،
الشبكات العصبية الاصطناعية، شبكة MLP
المقدمة:
تشكل أسعار الذهب محورًا أساسيًا في
النظام المالي العالمي، حيث تمتاز بحساسية عالية للتغيرات الاقتصادية
والجيوسياسية. ويعتبر الذهب أحد أهم أدوات التحوط ضد التضخم ومخزنًا للقيمة في
فترات عدم اليقين الاقتصادي والسياسي. ونظرًا لتعقيد العوامل المؤثرة على أسعار
الذهب، أصبحت الأساليب الذكية مثل الشبكات العصبية Artificial Neural Networks الخيار
الأمثل لنمذجة السلوك السعري غير الخطي وتحليل السلاسل الزمنية المعقدة.
تتميز الشبكات العصبية بقدرتها على التعلم
من البيانات التاريخية واستخلاص الأنماط المعقدة التي تفشل الطرق الإحصائية
التقليدية في كشفها. في هذا البحث، سنستكشف قدرة الشبكات العصبية من نوع Multilayer
Perceptron (MLP) على التنبؤ بأسعار الذهب بناءً على البيانات
التاريخية رغم قلة عدد المشاهدات، مع التركيز على العلاقة بين الذهب ومؤشر الدولار
الأمريكي (DXY).
مشكلة البحث:
تكمن الإشكالية الأساسية
في صعوبة التنبؤ بأسعار الذهب بسبب تداخل العوامل الاقتصادية والمالية والسياسية
المؤثرة عليه. كتأثير تأخر سعر الذهب (Lag1)
على التنبؤات المستقبلية، والتغيرات في مؤشر الدولار، ومدى كفاءة نموذج في التعامل
مع سلاسل زمنية قصيرة نسبياً، لذلك يحاول هذا البحث الإجابة عن التساؤل الرئيسي:
هل يمكن للشبكات العصبية من نوع MLP الاعتماد على القيمة التاريخية لسعر الذهب ومؤشر الدولار لتقديم
تنبؤات سنوية دقيقة حتى عام 2028؟
أهمية البحث:
من الناحية الأكاديمية:
·
تقديم نموذج
تنبؤي غير خطي متطور لتحليل السلاسل الزمنية المالية
·
اختبار قدرة
الشبكات العصبية على التعامل مع مجموعات بيانات محدودة
من الناحية
العملية:
·
دعم قرارات
المستثمرين والمؤسسات المالية في إدارة المحافظ الاستثمارية
·
توفير أداة
تنبؤية تساعد في التخطيط المالي طويل المدى
هدف البحث:
بناء نموذج تنبؤ سنوي باستخدام بيانات
(1990–2024)، ثم استخدامه لتقدير الأسعار حتى عام 2028.
منهجية
البحث:
تم الاعتماد على المنهج الوصفي التحليلي لجمع
البيانات وتحليلها حيث تم جمع البيانات السنوية للفترة من 1990 إلى 2024 من مصادر
موثوقة مثل:
- مجلس
الذهب العالمي (World Gold Council)
- الاحتياطي
الفيدرالي الأمريكي (Federal Reserve)
حدود البحث:
·
البيانات سنوية
فقط.
·
محدودية العوامل
المدخلة.
·
افتراض ثبات
السيناريو السياسي والنقدي.
الإطار النظري:
الشبكات
العصبية الاصطناعية:
هي
أنظمة حوسبة مصممة لمحاكاة طريقة عمل الدماغ البشري في معالجة المعلومات. تتكون من
عقد مترابطة تشبه الخلايا العصبية البيولوجية، وتتميز بقدرتها على التعلم من البيانات
دون الحاجة إلى برمجة صريحة.
Multilayer
Perceptron (MLP):
يعتبر
MLP أحد
أبسط وأشهر أنواع الشبكات العصبية، ويتكون من ثلاث طبقات رئيسية:
طبقة
الإدخال (Input Layer): تستقبل البيانات الأولية
طبقة
مخفية (Hidden Layer): تقوم بمعالجة البيانات واستخلاص الأنماط
طبقة
الإخراج (Output Layer): تنتج النتائج النهائية
دوال
التنشيط (Activation Functions):
Tanh
(Hyperbolic Tangent) تستخدم في الطبقات المخفية وتنتج قيم بين -1 و 1
Linear/Identity:
تستخدم
في طبقات الإخراج للتنبؤ بقيم مستمرة
مؤشر
الدولار الأمريكي (DXY):
هو
مقياس لقيمة الدولار الأمريكي مقابل سلة من العملات الرئيسية (اليورو، الين
الياباني، الجنيه الإسترليني، الدولار الكندي، الكرونا السويدية، والفرنك
السويسري). يعكس صحة الاقتصاد الأمريكي ويؤثر بشكل عكسي على أسعار الذهب في كثير
من الأحيان.
جدول رقم (1) بيانات الدراسة (1990–2024)
|
Year السنة |
Price سعر أونصة الذهب بالدولار |
DXY مؤشر الدولار |
|
1990 |
391 |
94.101 |
|
1991 |
403.7 |
92.695 |
|
1992 |
359.2 |
95.156 |
|
1993 |
406.7 |
96.92 |
|
1994 |
396 |
96.02 |
|
1995 |
396.25 |
98.2 |
|
1996 |
415 |
113 |
|
1997 |
367 |
113.96 |
|
1998 |
313 |
107.26 |
|
1999 |
325 |
93.2 |
|
2000 |
312.7 |
87.51 |
|
2001 |
293.25 |
89.35 |
|
2002 |
319.25 |
85.68 |
|
2003 |
416.25 |
77.625 |
|
2004 |
454.2 |
79.36 |
|
2005 |
536.5 |
76.86 |
|
2006 |
725 |
78.938 |
|
2007 |
841.1 |
79.75 |
|
2008 |
1011.25 |
80.025 |
|
2009 |
1212.5 |
80.518 |
|
2010 |
1421 |
86.47 |
|
2011 |
1895 |
96.48 |
|
2012 |
1792.7 |
95.385 |
|
2013 |
1696 |
92.883 |
|
2014 |
1385 |
94.737 |
|
2015 |
1296 |
99.021 |
|
2016 |
1366 |
93.927 |
|
2017 |
1346 |
94.24 |
|
2018 |
1355 |
112.084 |
|
2019 |
1560 |
105.815 |
|
2020 |
2067.15 |
100.521 |
|
2021 |
1950 |
97.45 |
|
2022 |
2070 |
98.775 |
|
2023 |
2085 |
98.782 |
|
2024 |
2801.8 |
98.785 |
المصدر: من إعداد الباحث
حيث نلاحظ من الجدول السابق أن:
- متوسط سعر
الذهب خلال الفترة: 1078.5 دولار
- الانحراف
المعياري: 754.2 دولار (يشير إلى تقلبات عالية)
- أعلى سعر:
2801.8 دولار (2024)
- أدنى سعر:
293.25 دولار (2001)
ثانيًا: تجهيز البيانات إحصائيًا
المتغيرات المشتقة:
1.
Price_Lag1: سعر
الذهب متأخر سنة واحدة (للاستفادة من الاعتماد الزمني)
2.
Diff_Price: الزخم السعري السنوي (يساعد في قياس الاتجاه)
3.
Diff_DXY:
التغير
السنوي لمؤشر الدولار (يقيس تأثير تقلبات العملة)
4.
Zscore (DXY):
القيم المعيارية للمؤشر
(لتوحيد المقياس)
جدول رقم (2) الإحصاءات الوصفية لمتغيرات الدراسة
|
Descriptive Statistics |
||||
|
المتغير |
المتوسط |
الانحراف المعياري |
القيمة الدنيا |
القيمة القصوى |
|
Zscore:
LAGS(Price,1) |
0.000 |
1.000 |
-1.060 |
1.722 |
|
Zscore:
DIFF(Price,1) |
0.000 |
1.000 |
-1.990 |
3.365 |
|
Zscore:
DIFF(DXY,1) |
0.000 |
1.000 |
-2.359 |
2.942 |
|
Zscore(DXY) |
0.000 |
1.000 |
-1.672 |
2.002 |
المصدر: من إعداد الباحث اعتماداً على برنامج SPSS
ثالثًا: التطبيع
تم استخدام معيار Z-score لرفع كفاءة
الشبكة وتوحيد المقاييس.
Z=σX−μ
حيث:
·
X القيمة الأصلية
·
μ المتوسط الحسابي
·
σ الانحراف
المعياري
مزايا التطبيع:
- تسريع عملية التعلم
- منع هيمنة متغيرات ذات نطاق قيم كبير
- تحسين استقرار النموذج
رابعًا: تقسيم البيانات
تم اعتماد:
Training = 80%
Testing = 20%
Holdout = 0%
جدول (3): تقسيم العينة
|
العينة |
عدد
المشاهدات |
النسبة |
الغرض |
|
التدريب (Training) |
30 |
88.2% |
بناء النموذج |
|
الاختبار (Testing) |
4 |
11.8% |
تقييم الأداء |
|
الإجمالي |
34 |
100% |
- |
المصدر: من إعداد
الباحث اعتماداً على برنامج SPSS
خامسًا: إعداد الشبكة العصبية
معلومات الشبكة العصبية:
طبقة الإدخال:
- 5 متغيرات مساعدة
(Covariates)
- طريقة إعادة
القياس: التوحيد (Standardized)
الطبقة المخفية:
- عدد الطبقات
المخفية: 1
- عدد الوحدات
في الطبقة المخفية: 1
- دالة
التنشيط: Hyperbolic tangent (Tanh)
المتغير التابع : Zscore (Price)
- عدد الوحدات: 1
- دالة التنشيط: Identity (Linear)
- دالة الخطأ: Sum of Squares
جدول رقم (4) معلومات الشبكة العصبية
|
||||||||
|
Input Layer |
Covariates |
1 |
Zscore: LAGS(Price,1) |
|
||||
|
|
|
2 |
Zscore: DIFF(Price,1) |
||||
|
3 |
Zscore: DIFF(DXY,1) |
||||||
|
4 |
Zscore: DIFF(DXY,1) |
||||||
|
5 |
Zscore(DXY) |
||||||
|
Number of Unitsa |
5 |
||||||
|
Rescaling Method for Covariates |
Standardized |
||||||
|
Hidden Layer(s) |
Number of Hidden Layers |
1 |
|
|||||
|
|
Number of Units in Hidden Layer 1a |
1 |
|||||
|
Activation Function |
Hyperbolic tangent |
||||||
|
Output Layer |
Dependent Variables |
1 |
Zscore(Price) |
|
||||
|
|
Number of Units |
1 |
|||||
|
Rescaling Method for Scale
Dependents |
Standardized |
||||||
|
Activation Function |
Identity |
||||||
|
Error Function |
Sum of Squares |
||||||
المصدر:
من إعداد الباحث اعتماداً على برنامج SPSS
سادسًا: تقييم أداء النموذج الموسع
ملخص النموذج:
جدول رقم (5) معلومات النموذج
|
المعيار |
مجموعة التدريب |
مجموعة الاختبار |
|
مجموع مربعات الخطأ |
0.454 |
0.002 |
|
الخطأ النسبي |
0.031 |
0.002 |
|
وقت التدريب |
0:00:00.03 |
- |
المصدر:
من إعداد الباحث اعتماداً على برنامج SPSS
تحليل النتائج:
- الخطأ
النسبي المنخفض في الاختبار (0.002) يشير إلى
دقة تنبؤية عالية
- عدم وجود Overfitting بسبب تقارب
قيم الخطأ بين التدريب والاختبار
- سرعة
التدريب تدل على كفاءة النموذج
سابعًا: أهمية المتغيرات الموسعة
أظهر تحليل أهمية المتغيرات الترتيب
التالي:
- Lag1 للسعر (الأهم): بنسبة تأثير
45% - يؤكد اعتماد الأسعار على قيمها التاريخية
- Diff_Price
( ثانيًا): بنسبة تأثير
25% - يظهر أهمية الزخم السعري
- Diff_DXY وZ_DXY
( متوسط): بنسبة تأثير
15% لكل منهما - يدل على تأثير مؤشر الدولار
يوضع الشكل مخطط القيمة الحقيقية مقابل المتوقعة
الشكل رقم (1) مخطط الشبكة العصبية
تحليل بنية الشبكة العصبية من الرسم
البياني:
1. طبقة الإدخال
(Input Layer):
- عدد
المدخلات: 5 متغيرات
- المتغيرات
المدخلة:
o
( سعر الذهب المعياري المتأخر فترة واحدة)
o
ZPrice_2 (سعر
الذهب المعياري المتأخر فترتين)
o
ZDXY_1 (
مؤشر الدولار المعياري المتأخر فترة واحدة)
o
ZDXY_2 (
مؤشر الدولار المعياري المتأخر فترتين)
o
ZDXY (مؤشر
الدولار المعياري الحالي)
o
ZPrice_1 2.
الطبقة
المخفية (Hidden Layer):
- عدد العقد: 1 عقدة فقط
(H:1)
- دالة
التنشيط: Hyperbolic
tangent (Tanh)
- الأوزان
الواردة:
- من ZPrice_1:
وزن
موجب (سهم متصل)
- من ZPrice_2:
وزن
سالب (سهم متقطع)
- من ZDXY_1:
وزن
موجب
- من ZDXY_2:
وزن
سالب
- من ZDXY:
وزن
موجب
3. طبقة الإخراج
(Output Layer):
- المتغير
الناتج: ZPrice (سعر
الذهب المعياري المتوقع)
- دالة
التنشيط: Identity
(دالة
خطية)
التفسير العلمي للشكل:
دلالات الأوزان:
- الأوزان
الموجبة: تشير
إلى علاقة طردية بين المدخل والمخرجات
- الأوزان
السالبة: تشير
إلى علاقة عكسية بين المدخل والمخرجات
التحليل الوظيفي:
- تأثير أسعار
الذهب التاريخية:
- ZPrice_1 (موجب): يشير إلى استمرارية الاتجاه (يميل السعر لمواصلة
اتجاهه)
- ZPrice_2 (سالب): قد يشير إلى وجود تصحيح أو mean reversion
- تأثير مؤشر
الدولار:
- ZDXY_1 و ZDXY (موجب): مفاجئ - يتعارض مع العلاقة العكسية المتوقعة
- ZDXY_2 (سالب): يتوافق مع العلاقة العكسية التقليدية
- البساطة
الهيكلية:
- شبكة بطبقة
مخفية واحدة وعقدة واحدة تدل على نموذج مبسط
- مناسبة
للبيانات المحدودة ولكن قد تفقد بعض التعقيدات
أهمية المتغيرات
أظهرت النتائج أن:
- Lag1 للسعر هو
الأهم.
- Diff_Price ثانيًا.
- Diff_DXY وZ_DXY
تأثيرهما
متوسط.
افتراضات
السيناريو:
- استمرار
الاتجاهات الاقتصادية الحالية
- عدم حدوث
صدمات كبرى في الأسواق
- استقرار
نسبي في السياسات النقدية
التوقعات:
جدول رقم (6) توقعات النموذج
|
السنة |
سعر الأونصة المتوقع
($) |
النمو المتوقع (%) |
مؤشر الدولار المتوقع |
|
2025 |
3407.28 |
+21.6% |
99.68 |
|
2026 |
3780.63 |
+11.0% |
99.72 |
|
2027 |
3877.77 |
+2.6% |
99.75 |
|
2028 |
3974.92 |
+2.5% |
99.78 |
المصدر:
من إعداد الباحث اعتماداً على برنامج SPSS
الاتجاهات
الرئيسية:
·
استمرار الارتفاع حتى 2028: بنمو تراكمي 41.9% من 2024 إلى 2028
·
قوة الزخم الإيجابي: نتيجة للقفزة الكبيرة في 2024 (+34.4%)
·
تأثير الدولار المحدود: ارتفاع الدولار الطفيف لا يكبح اتجاه الذهب الصاعد
عاشرًا:
مزايا النموذج وقصوره
المزايا:
·
دقة تنبؤية عالية (خطأ اختبار
منخفض)
·
استقرار مبكر في التدريب
·
استجابة فعالة للزخم السعري
·
بساطة التصميم وسرعة التنفيذ
القصور
والقيود:
·
عدم تضمين عوامل مهمة مثل:
·
أسعار الفائدة
·
معدلات التضخم
·
العوامل الجيوسياسية
·
عرض الطلب على الذهب فعليًا
·
اعتماد بيانات سنوية فقط (تفقد
التقلبات قصيرة المدى)
النتائج:
يبرهن
هذا البحث على فعالية الشبكات العصبية MLP في التنبؤ بأسعار الذهب حتى مع محدودية البيانات والعوامل
المدخلة. تمثلت أهم النتائج في:
1-
كفاءة النموذج: أظهر النموذج دقة
تنبؤية عالية مع خطأ نسبي 0.002 فقط
2-
استمرار الاتجاه الصاعد: تتوقع
الدراسة استمرار ارتفاع أسعار الذهب حتى 2028
3-
هيمنة العوامل السعرية: تأثير
السعر التاريخي والزخم الحالي يفوق تأثير مؤشر الدولار
التوصيات
للمستثمرين
والمؤسسات المالية:
·
اعتماد النموذج كأداة مساعدة في
اتخاذ القرارات الاستثمارية
·
diversification المحافظ باستمرار مع
تخصيص جزء للذهب
·
مراقبة مؤشرات الزخم السعري بجانب
العوامل الأساسية
لصانعي
السياسات:
·
مراعاة تأثير السياسات النقدية على
أسعار الذهب
·
تطوير أدوات للتنبؤ بأسعار السلع
الأساسية
·
تعزيز الشفافية في بيانات الأسواق
المالية
المراجع
العربية:
1. الجهني،
أ. (2020). "تنبؤ أسعار الذهب باستخدام الشبكات العصبية الاصطناعية: دراسة
قياسية للفترة (2000-2019)". مجلة العلوم الاقتصادية والإدارية، 26(2)، 45-67. المملكة
العربية السعودية
2. العتيبي،
م.، والغامدي، ر. (2021). "دور مؤشر الدولار الأمريكي في تفسير تقلبات أسعار
الذهب: نموذج انحدار غير خطي". مجلة الدراسات المالية
والمصرفية، 15(3)، 112-130. المملكة العربية السعودية
المراجع
الإنجليزية:
3. Zhang,
G., Patuwo, B. E., & Hu, M. Y. (1998). "Forecasting with artificial
neural networks: The state of the art". International Journal of
Forecasting, 14(1), 35-62.USA
4. Yakubu,
A. S., & Adewumi, A. O. (2020). "Gold price prediction using a
multilayer perceptron neural network model with USDX and inflation as exogenous
variables". Resources
Policy, 68, 101732.NEGERIA
5. Adhikari,
R., & Agrawal, R. K. (2013). "An introductory study on time series
modeling and forecasting". arXiv preprint arXiv:1302.6613.INDIA
[1]
Alaa Sam Baladia, PhD in Economics specializing in Statistics and Programming,
specializing in Data Analysis and Predictive Modeling
تعليقات
إرسال تعليق