لقد سمع أي شخص مشارك في التداول عبر الإنترنت في أسواق الفوركس أو الأسهم أو السلع أو العملات المشفرة تقريبًا عن الشبكات العصبية واستخدامها في التداول مع الروبوتات، والمعروفة أيضًا باسم المستشارين الخبراء (EAs). فما هي بالضبط الشبكات العصبية، وما هو الشيء المشترك بينها، وكيف تختلف عن الذكاء الاصطناعي؟ ما هي مزايا وعيوب؟ وأخيرًا، هل يمكن للشبكات العصبية أن تصبح أداة موثوقة لكل متداول، مما يضمن أرباحًا ثابتة؟
الشبكة العصبية عبارة عن بناء خوارزمي مستوحى من البنية والمبادئ التشغيلية لأدمغة الكائنات الحية. وهو مصمم لمعالجة البيانات من خلال شبكات معقدة من العقد المترابطة التي تحاكي الخلايا العصبية. يمكن لكل خلية عصبية صناعية في مثل هذه الشبكة استقبال الإشارات ومعالجتها ونقلها إلى الخلايا العصبية الأخرى. ونتيجة لذلك، فإنهم بشكل جماعي قادرون على حل المهام التي تتراوح من الأبسط إلى المهام التجريدية للغاية.
تم اقتراح مفهوم الخلايا العصبية الاصطناعية منذ عام 1943 من قبل العلماء الأمريكيين وارن ستورجيس ماكولوتش ووالتر بيتس، اللذين ابتكرا نموذجًا رياضيًا للخلية العصبية. وارن ماكولوتش، المولود عام 1898 والحاصل على شهادة الطب من جامعة ييل بالولايات المتحدة الأمريكية عام 1927، أجرى أبحاثًا في الطب النفسي والفيزيولوجيا العصبية، ودرس على وجه التحديد الجهاز العصبي. عندها أصبح العالم مهتمًا بجدية بإمكانيات النمذجة الاصطناعية للدماغ البشري. أظهر والتر بيتس، الذي يصغره بـ 25 عامًا والذي علم نفسه في الرياضيات وعلم وظائف الأعضاء العصبية، قدرات متميزة منذ صغره.
في عام 1943، التقى بيتس بماكولوتش في جامعة شيكاغو، وبدأ هذا الاجتماع تعاونهما المثمر. في نفس العام، نشروا "حساب التفاضل والتكامل المنطقي للأفكار الجوهرية في النشاط العصبي"، مما وضع الأساس للبحث النظري حول الشبكات العصبية الاصطناعية. اقترح الباحثون في ورقتهم البحثية نموذجًا للخلايا العصبية يعتمد على المنطق الرياضي وأظهروا كيف يمكن لشبكات الخلايا العصبية الاصطناعية البسيطة أداء مهام حسابية معقدة إذا تم تنظيم ترابطاتها بشكل صحيح. يسلط هذا الاكتشاف الضوء على الاستخدام المحتمل للشبكات الاصطناعية لنمذجة العمليات المعرفية وإنشاء آلات ذكية.
مر تطوير هذه التكنولوجيا بعدة مراحل مهمة، بما في ذلك إنشاء الإدراك الحسي بواسطة فرانك روزنبلات في عام 1957. الإدراك الحسي هو أبسط نوع من الشبكات العصبية الاصطناعية المستخدمة لتصنيف البيانات (أي تقسيم البيانات إلى مجموعات). وتتكون من مدخلات، لكل منها وزن محدد (رقم يشير إلى أهمية المدخلات)، وخلية عصبية واحدة للإخراج تقوم بجمع إشارات الإدخال مضروبة في أوزانها. إذا تجاوز المجموع عتبة معينة، ينشط الإدراك الحسي ويخرج نتيجة واحدة؛ إذا لم يكن الأمر كذلك، فإنه يخرج آخر.
كانت الخطوة المهمة الأخرى نحو ظهور شبكات عصبية أكثر تعقيدًا هي تطوير خوارزمية خطأ الانتشار العكسي، والتي ظهرت في السبعينيات وأصبحت حجر الزاوية في تدريب الشبكات العصبية متعددة الطبقات. هذه الخوارزمية هي طريقة لتدريب الشبكات العصبية الاصطناعية حيث يعتمد تصحيح أوزان الخلايا العصبية على الأخطاء التي ارتكبتها الشبكة في تنبؤاتها. في البداية، تقوم الشبكة بالتنبؤ، ثم تقارنه بالإجابة الصحيحة وتحسب الخطأ. يتم بعد ذلك نشر المعلومات حول هذا الخطأ مرة أخرى عبر الشبكة، مما يسمح لها بالتعلم وتحسين تنبؤاتها أثناء معالجة المزيد من البيانات.
لعبت أعمال ماكولوتش وبيتس وخلفائهم دورًا أساسيًا في تطوير مفاهيم الذكاء الاصطناعي. لقد تنبأت أبحاثهم وحفزت إنشاء نماذج التعلم العميق، والتي تُستخدم اليوم في مجالات مختلفة بدءًا من الترجمة الآلية والتعرف على الصور وحتى السيارات ذاتية القيادة وأتمتة العمليات، وبالطبع في التداول المالي.
بدأ استخدام الشبكات العصبية في التداول المالي في الثمانينيات عندما تطورت تقنيات الكمبيوتر بما يكفي لمعالجة كميات كبيرة من البيانات وإجراء حسابات معقدة. ومع ذلك، ظهر الاهتمام الحقيقي بها في التسعينيات مع تطور التعلم الآلي وزيادة قوة الحوسبة، مما سمح باستخدام أكثر فعالية للشبكات العصبية الاصطناعية لتحليل بيانات السوق.
في العقد الأخير من القرن العشرين، ظهرت فكرة استخدام الشبكات العصبية في روبوتات التداول، والمعروفة أيضًا باسم المستشارين الخبراء (EAs)، لتحليل ظروف السوق، والتنبؤ بتحركات الأسعار، وتنفيذ عمليات التداول تلقائيًا. يتم تدريب هذه الشبكات العصبية على البيانات التاريخية المتعلقة بالأسعار وأحجام التداول ومؤشرات السوق وأدوات التحليل الفني الأخرى. يمكنهم التعرف على الأنماط والتبعيات المعقدة التي لا تكون واضحة دائمًا، حتى بالنسبة لمحلل المتداولين ذوي الخبرة. بعد التدريب، تصبح وكالات العد قادرة على اتخاذ القرارات بشكل مستقل بشأن شراء أو بيع الأدوات المالية في الوقت الحقيقي.
لقد حدث التطور الأكثر أهمية في استخدام الشبكات العصبية للتداول الآلي في آخر 15 إلى 20 عامًا. خلال هذه الفترة، تم إثبات فعاليتها في مختلف الجوانب. ومع ذلك، فقد أصبح من الواضح أيضًا أن استخدام الشبكات العصبية، مثل أي تقنية أخرى، له عيوبه ومشاكله وقيوده. وتشمل هذه، على سبيل المثال، الحاجة إلى التدريب الأولي للوكالات المساعدة: وهي عملية طويلة وصعبة وتتطلب الصبر. في بعض الحالات، قد تتطلب الشبكة العصبية أيضًا إعادة تدريب. وهذا ضروري عندما يتكيف بدقة شديدة مع البيانات التاريخية ويفقد قدرته على التعميم. وتظل الحاجة إلى التحديث المستمر للبيانات والخوارزميات للتكيف مع ظروف السوق المتغيرة، فضلاً عن الصعوبات في تفسير نتائج عمل الشبكة العصبية، قائمة.
في هذا السياق، كما يعتقد العديد من الخبراء، فإن أحد الاتجاهات الرئيسية لتطوير المناطق العصبية هو إنشاء أنظمة تكيفية قادرة على ضبط معاييرها بشكل مستقل استجابة لتغيرات السوق. علاوة على ذلك، يستمر العمل على تحسين خوارزميات التعلم الآلي، بما في ذلك الشبكات العصبية العميقة، مما يسمح بتنبؤات أكثر دقة وتداول أكثر فعالية. يمكن أن يساعد تحليل عدد أكبر من المتغيرات ومجموعاتها أيضًا في تحسين القدرة التنبؤية للأنظمة.
الشبكة العصبية والذكاء الاصطناعي (AI) مصطلحان غالبًا ما يستخدمان معًا ولكنهما يشيران في الواقع إلى مفاهيم مختلفة. الاختلافات الرئيسية بين الشبكات العصبية والذكاء الاصطناعي هي:
– مجال التطبيق: الشبكات العصبية هي مجرد إحدى الأدوات المستخدمة في الذكاء الاصطناعي لأنها متخصصة في تعلم ومعالجة البيانات بناءً على الأمثلة المقدمة. ومع ذلك، يشمل الذكاء الاصطناعي نطاقًا أوسع من التقنيات والأساليب التي لا تقتصر على التعلم الآلي أو الشبكات العصبية وحدها. يهدف الذكاء الاصطناعي إلى أن يكون عالميًا إلى أقصى حد، مما يسمح له بحل مجموعة واسعة من المهام في مجالات متنوعة. غالبًا ما تقتصر الشبكات العصبية على المناطق التي يمكن تدريبها فيها بشكل فعال بناءً على البيانات المقدمة.
- الوظيفة: يسعى الذكاء الاصطناعي إلى تقليد العقل البشري بشكل كامل وهو قادر على أداء المهام المعقدة مثل التفكير وتحسين الذات والتعلم والإدراك وحتى التفاعل الاجتماعي. من ناحية أخرى، تركز الشبكات العصبية على مهام محددة لمعالجة البيانات وتصنيفها والتنبؤ بها لاحقًا.
- القدرة على التكيف: تؤدي الشبكات العصبية أداءً جيدًا ضمن المهام المحددة التي تم تدريبها عليها. يمكن أن تنخفض فعاليتها بشكل كبير في حالة نقص البيانات أو التغييرات في شروط تطبيقها. يتضمن الذكاء الاصطناعي أنظمة يمكنها التطور والتكيف مع المهام والظروف الجديدة بأقل قدر من الإعداد المسبق.
– الاختلافات التكنولوجية: تتميز الشبكات العصبية بأنها تعمل على مبدأ نقل البيانات عبر طبقات من الخلايا العصبية، تقوم كل منها بتحويل البيانات المدخلة وفقا لأوزان محددة ووظائف التنشيط. يغطي الذكاء الاصطناعي نطاقًا أوسع بكثير من التقنيات وهو قادر على أداء مهام أكثر تعقيدًا وتنوعًا. لتحقيق الوظائف الفكرية، يمكن استخدام مجموعة أكثر تنوعًا من الأساليب، بما في ذلك البرمجة المنطقية وخوارزميات التحسين.
وفي الختام، دعونا نقدم عدة اقتباسات تعكس آراء كبار الخبراء حول أهمية دمج الشبكات العصبية والذكاء الاصطناعي في التداول المالي:
- كاثرين وود، الرئيس التنفيذي لشركة ARK Invest: "إن القوة التنبؤية للشبكات العصبية في تداول سوق الأسهم تعتبر ثورية، ومن المحتمل أن تعزز العائدات من خلال توقيت أكثر دقة وتقييم المخاطر."
– أندرو إنج، المؤسس المشارك لشركة Google Brain: "الشبكات العصبية لديها القدرة على جعل الأسواق المالية أكثر كفاءة وشفافية وسهولة الوصول إليها، ولكن يجب أن نكون حذرين بشأن تأثيراتها الواسعة على الاقتصاد."
- رنا فوروهار، كاتبة عمود في الأعمال العالمية ومحررة مشاركة في فاينانشيال تايمز: "مع نمو الشبكات العصبية بشكل أكثر تطوراً، يمكنها تغيير مشهد التداول بشكل جذري من خلال تقديم رؤى أعمق حول استراتيجيات الاستثمار عالية التردد وطويلة الأجل."
- راي داليو، مؤسس Bridgewater Associates: "يمثل الذكاء الاصطناعي والشبكات العصبية الحدود التالية في مجال التمويل. ويمكن لقدرتهم على استيعاب وتحليل كميات هائلة من البيانات أن تعيد تشكيل كيفية فهمنا لديناميكيات السوق وإدارة الأصول بشكل أساسي."
