هل يمكنك التفوق على المشي العشوائي في التنبؤ بأسعار الصرف؟ جرّب الاختبار في 30 سطرًا

المعيار المرجعي الذي يجب على أي تنبؤ بسعر الصرف أن يتخطاه هو المشي العشوائي: التنبؤ الذي لا يفعل شيئًا، أي أن سعر الغد يساوي سعر اليوم. منذ Meese و Rogoff (1983) لم يتفوق عليه شيء تقريبًا في الآفاق القصيرة، وورقة بحثية من الاحتياطي الفيدرالي عام 2025 أعادت تأكيد ذلك لتعلّم الآلة الحديث. هذا هو الرفيق العملي لـجدار الأربعين عامًا: نحو 30 سطرًا من بايثون تجلب البيانات، وتبني المعيار المرجعي، وتقيّم نموذجًا بأمانة.

المعيار المرجعي: "الغد يساوي اليوم"

في عام 1983، أظهر Meese و Rogoff أنه لا يوجد نموذج اقتصادي كلي يمكنه التفوق في التنبؤ على نموذج يقول إن سعر الصرف غدًا سيكون كما هو اليوم. فروق أسعار الفائدة، عرض النقود، تعادل القوة الشرائية: لم يساعد أي منها. ذلك "النموذج" هو المشي العشوائي، وأربعون عامًا من الاقتصاد المتزايد الذكاء ارتدت في معظمها عنه. نشرح السبب في هل يمكنك التنبؤ بأسعار الصرف؟ هذا الدليل هو النصف العملي: الكود لتتحقق من الادعاء بنفسك.

في سبتمبر 2025، أخضع اقتصادي في الاحتياطي الفيدرالي تعلّم الآلة الحديث لنفس الاختبار. الورقة البحثية، *Virtue or Mirage? Complexity in Exchange Rate Prediction* (Rehim Kılıç، FEDS 2025-089)، وضعت انحدار Ridge على Random Fourier Features في مواجهة المشي العشوائي، وحُكم عليها بواسطة R² خارج العينة واختباري Clark-West و Diebold-Mariano. كان الحكم حذرًا: التعقيد أعطى "مكاسب متواضعة وموضعية فقط" كانت "هشة ونادرًا ما تكون ذات دلالة إحصائية"، ولم يتحول أبدًا إلى ميزة منهجية على المشي العشوائي.

اجلب البيانات

خمس سنوات من سعر EUR/USD اليومي من نقطة النهاية /v1/range. الخطة المجانية لا تحتاج مفتاحًا للبدء.

import requests, numpy as np, pandas as pd

def fetch_range(base, symbol, start, end, key=None):
    rows, cursor = [], None
    headers = {"Authorization": f"Bearer {key}"} if key else {}
    while True:
        p = {"base": base, "symbols": symbol, "start_date": start, "end_date": end}
        if cursor: p["cursor"] = cursor
        d = requests.get("https://api.exchangerate.dev/v1/range",
                         params=p, headers=headers, timeout=30).json()
        rows += [{"date": r["date"], "rate": r["rates"][symbol]} for r in d["data"]]
        if not d.get("has_more"): break
        cursor = d["next_cursor"]
    df = pd.DataFrame(rows).drop_duplicates("date")
    df["date"] = pd.to_datetime(df["date"])
    return df.sort_values("date").set_index("date")

fx = fetch_range("EUR", "USD", "2021-01-01", "2026-01-01")

شيء يستحق القيام به بشكل صحيح: كل صف يحمل علامة is_forward_filled وحقل source. عطلات نهاية الأسبوع والأعياد معبأة للأمام، لذا فإن أي دراسة جادة تتخلص من تلك الصفوف. لا تريد أن "يتعلّم" نموذجك من يوم أحد ثابت، وهي نسخة صغيرة من فخاخ التطلع الأمامي المذكورة في تعبئة البيانات دون تحيز التطلع الأمامي.

ابنِ المعيار المرجعي والمنافس

المشي العشوائي يتنبأ بعائد صفري كل يوم (المارتينجيل عديم الانجراف الذي استخدمه Meese و Rogoff). امنح المنافس كل ميزة رخيصة يمكن استخلاصها من سلسلة الأسعار وحدها، الزخم، العودة إلى المتوسط، التقلب المحقق، ودع Ridge (المُقدِّر الخاص بالورقة البحثية نفسها) يتنبأ بعائد الغد.

from sklearn.linear_model import Ridge

fx["ret"] = np.log(fx["rate"]).diff()
f = pd.DataFrame(index=fx.index)
for lag in (1, 2, 3, 5, 10): f[f"lag{lag}"] = fx["ret"].shift(lag)
f["mom5"], f["mom20"] = fx["ret"].rolling(5).sum().shift(1), fx["ret"].rolling(20).sum().shift(1)
f["vol10"], f["y"] = fx["ret"].rolling(10).std().shift(1), fx["ret"]
f = f.dropna()

split = int(len(f) * 0.7)
X = [c for c in f.columns if c != "y"]
m = Ridge(alpha=1.0).fit(f.iloc[:split][X], f.iloc[:split]["y"])
pred, y = m.predict(f.iloc[split:][X]), f.iloc[split:]["y"].values

قيّمه بأمانة

R² خارج العينة مقابل المشي العشوائي (موجب يعني أنك فزت)، بالإضافة إلى اختبار Clark-West، وهو المناسب عندما يكون المشي العشوائي متضمَّنًا داخل نموذجك.

from scipy import stats
r2 = 1 - np.sum((y - pred)**2) / np.sum(y**2)
f_hat = y**2 - ((y - pred)**2 - pred**2)
t = f_hat.mean() / (f_hat.std(ddof=1) / np.sqrt(len(f_hat)))
print(f"OOS R2 {r2:+.4%} | Clark-West t {t:+.2f} p {1-stats.norm.cdf(t):.3f}")

شغّله على EUR/USD وGBP/USD وUSD/JPY وبضع نوافذ. النمط عنيد. R² خارج العينة يستقر عند الصفر أو أقل منه، من شبه مستوٍ إلى سالب ببضع نقاط مئوية، ما يعني أن النموذج المدرَّب أدى عادة أسوأ من افتراض عدم وجود أي تغيير على الإطلاق. إحصائية Clark-West نادرًا ما تتخطى الدلالة الإحصائية، والخلايا التي تقترب منها تتحرك عندما تُعدّل التقسيم أو الأخطاء المعيارية. ارفع عدد الخصائص لإضافة "تعقيد" ولن يزداد الأداء خارج العينة إلا سوءًا. أنت تشاهد الإفراط في الملاءمة يحدث في الزمن الحقيقي. لقد شغّلنا الاختبار الكامل على خمسة أزواج ونشرنا كل رقم.

لماذا يهم هذا إذا كنت تبني منتجًا

إذا أطلقت خاصية "السعر المتوقع"، فإن المعيار المرجعي الذي يجب عليك التفوق عليه هو إعادة سعر اليوم، وفي بيانات الأزواج الرئيسية اليومية، من الصعب جدًا التفوق على هذا المعيار المرجعي. نقطة نهاية تنبؤ تؤدي أداءً أسوأ بصمت هي رقم خاطئ بثقة يجلس في مسار الدفع لشخص ما أو في لوحة معلومات خزينة.

القيمة القابلة للدفاع موجودة في مكان آخر. قدّم المستوى بدقة وسرعة، لأن أفضل تنبؤ نقطي للسعر القادم هو فعليًا السعر الحالي. قِس عدم اليقين بدلًا من التنبؤ بنقطة واحدة: التقلب ونطاقات الثقة مفيدة حقًا ولا تتطلب التفوق على المشي العشوائي. وكن صادقًا بشأن الأفق الزمني، لأن قابلية التنبؤ شبه معدومة يومًا بيوم ولا تزيد إلا تدريجيًا على مدى أشهر، وهو المكان الذي تجد فيه الأدبيات العلمية القليل من الميزة الموجودة.