ما هو التحقق المتقاطع للسلاسل الزمنية؟ ولماذا لا يجوز خلط مجموعتي التدريب والاختبار عشوائيًا عند التنبؤ بالعملات المشفرة؟
في التداول الكمي للعملات المشفرة، غالبًا ما تُدرَّب نماذج التعلم الآلي على بيانات تاريخية، ثم تُستخدم للتنبؤ باتجاه الأسعار في المستقبل. لكن إذا خُلِطت البيانات كلها عشوائيًا قبل تقسيمها إلى مجموعتي تدريب واختبار، كما يحدث في مهام التصنيف العادية، فقد يختل ترتيبها الزمني، ما يجعل نتائج تقييم النموذج مفرطة في التفاؤل.
أولًا، ما هو التحقق المتقاطع للسلاسل الزمنية؟
هو أسلوب لتنظيم التدريب والتحقق وفق الترتيب الزمني. يُدرَّب النموذج على بيانات الماضي، ثم يتنبأ ببيانات فترة زمنية لاحقة. بعد ذلك، تُحرَّك النافذة الزمنية إلى الأمام، وتتكرر عمليتا التدريب والتحقق، لمراقبة أداء النموذج في مراحل مختلفة من السوق.
ثانيًا، لماذا لا يجوز خلط البيانات عشوائيًا؟
تعتمد البيانات المالية على الزمن؛ فقد تتشارك العينات المتجاورة ظروف السوق نفسها، أو نوافذ المؤشرات الفنية، بل وحتى تسميات تنبؤ متداخلة. وقد يؤدي التقسيم العشوائي إلى إدراج معلومات من فترة الاختبار وما بعدها في مجموعة التدريب، فلا يعود التقييم ملتزمًا بالترتيب الزمني للتداول الحقيقي.
ثالثًا، كيف ينبغي تقسيم البيانات على نحو صحيح؟
على سبيل المثال، يمكن استخدام بيانات الفترة من يناير إلى يونيو للتدريب، وبيانات يوليو للتحقق، ثم استخدام بيانات أغسطس للاختبار النهائي. وينبغي تحديد طول النافذة الفعلي وفقًا لحجم البيانات والأفق الزمني للتنبؤ. كما يجب أن تظل مجموعة الاختبار النهائي مستقلة، وألا يُعاد ضبط النموذج مرارًا كلما كانت النتائج غير مرضية.
رابعًا، ما الأمور الأخرى التي ينبغي الانتباه إليها؟
يجب تنفيذ خطوات مثل التقييس، ومعالجة القيم المفقودة، واختيار الخصائص بالاعتماد على بيانات نافذة التدريب الحالية فقط. وإذا كانت التسميات متداخلة زمنيًا، فينبغي أيضًا مراعاة تخصيص فترات عزل مناسبة. ومن الضروري تقييم النموذج في مراحل مختلفة من السوق، لتجنب اقتصار أدائه على الأسواق الصاعدة أو المتذبذبة.
لا يضمن التحقق المتقاطع للسلاسل الزمنية أن يحقق النموذج أرباحًا مستقبلية، لكنه يجعل التقييم أقرب إلى ظروف الاستخدام الفعلي.
يجب أن يحترم التدريب الترتيب الزمني. فالنموذج القيّم حقًا لا يكتفي بحفظ إجابات الماضي، بل يستطيع الاستفادة من المعلومات السابقة لإصدار أحكام معقولة بشأن تحركات السوق التي لم تحدث بعد.
المقال التالي: ما هي هندسة الخصائص؟ وكيف يمكن استخراج إشارات تداول أكثر قيمة من الأسعار وأحجام التداول والتقلبات؟
في التداول الكمي للعملات المشفرة، غالبًا ما تُدرَّب نماذج التعلم الآلي على بيانات تاريخية، ثم تُستخدم للتنبؤ باتجاه الأسعار في المستقبل. لكن إذا خُلِطت البيانات كلها عشوائيًا قبل تقسيمها إلى مجموعتي تدريب واختبار، كما يحدث في مهام التصنيف العادية، فقد يختل ترتيبها الزمني، ما يجعل نتائج تقييم النموذج مفرطة في التفاؤل.
أولًا، ما هو التحقق المتقاطع للسلاسل الزمنية؟
هو أسلوب لتنظيم التدريب والتحقق وفق الترتيب الزمني. يُدرَّب النموذج على بيانات الماضي، ثم يتنبأ ببيانات فترة زمنية لاحقة. بعد ذلك، تُحرَّك النافذة الزمنية إلى الأمام، وتتكرر عمليتا التدريب والتحقق، لمراقبة أداء النموذج في مراحل مختلفة من السوق.
ثانيًا، لماذا لا يجوز خلط البيانات عشوائيًا؟
تعتمد البيانات المالية على الزمن؛ فقد تتشارك العينات المتجاورة ظروف السوق نفسها، أو نوافذ المؤشرات الفنية، بل وحتى تسميات تنبؤ متداخلة. وقد يؤدي التقسيم العشوائي إلى إدراج معلومات من فترة الاختبار وما بعدها في مجموعة التدريب، فلا يعود التقييم ملتزمًا بالترتيب الزمني للتداول الحقيقي.
ثالثًا، كيف ينبغي تقسيم البيانات على نحو صحيح؟
على سبيل المثال، يمكن استخدام بيانات الفترة من يناير إلى يونيو للتدريب، وبيانات يوليو للتحقق، ثم استخدام بيانات أغسطس للاختبار النهائي. وينبغي تحديد طول النافذة الفعلي وفقًا لحجم البيانات والأفق الزمني للتنبؤ. كما يجب أن تظل مجموعة الاختبار النهائي مستقلة، وألا يُعاد ضبط النموذج مرارًا كلما كانت النتائج غير مرضية.
رابعًا، ما الأمور الأخرى التي ينبغي الانتباه إليها؟
يجب تنفيذ خطوات مثل التقييس، ومعالجة القيم المفقودة، واختيار الخصائص بالاعتماد على بيانات نافذة التدريب الحالية فقط. وإذا كانت التسميات متداخلة زمنيًا، فينبغي أيضًا مراعاة تخصيص فترات عزل مناسبة. ومن الضروري تقييم النموذج في مراحل مختلفة من السوق، لتجنب اقتصار أدائه على الأسواق الصاعدة أو المتذبذبة.
لا يضمن التحقق المتقاطع للسلاسل الزمنية أن يحقق النموذج أرباحًا مستقبلية، لكنه يجعل التقييم أقرب إلى ظروف الاستخدام الفعلي.
يجب أن يحترم التدريب الترتيب الزمني. فالنموذج القيّم حقًا لا يكتفي بحفظ إجابات الماضي، بل يستطيع الاستفادة من المعلومات السابقة لإصدار أحكام معقولة بشأن تحركات السوق التي لم تحدث بعد.
المقال التالي: ما هي هندسة الخصائص؟ وكيف يمكن استخراج إشارات تداول أكثر قيمة من الأسعار وأحجام التداول والتقلبات؟