من قوانين القوة إلى شبكات الذكاء الاصطناعي: لماذا تلتقط نماذج سعر البيتكوين المعقدة ضجيج السوق
تنبؤ أسعار البيتكوين أصبح مجالًا مليئًا بالأساليب المتنوعة والغريبة أحيانًا. هناك نماذج تعتمد على الندرة لتحويل جدول تخفيض مكافآت التعدين إلى سعر متوقع، ونماذج أخرى تعتمد على نشاط العناوين أو المعاملات لتحديد القيمة، بالإضافة إلى نماذج القوة اللوغاريتمية التي ترسم ممرًا صاعدًا عبر تاريخ البيتكوين، وأنظمة تعلم آلي تستهلك بيانات السوق والاقتصاد الكلي في برامج معقدة للغاية.
كل هذه الأساليب تدخل منافسة التنبؤ بالسعر ضد منافس بسيط جدًا وضعيف، وهو التنبؤ الساذج الذي يستخدم معلومات السوق الحالية فقط. فتنبؤ السعر يمكن أن يستخدم سعر اليوم، وتوقع العائد يمكن أن يساوي صفرًا، وتوقع الاتجاه يمكن أن يعتمد على مسار عشوائي. الكثير من الأبحاث الأكاديمية واجهت صعوبة في التفوق على هذا المنافس البسيط عندما يخرج النموذج من الفترة الزمنية التي صُمم فيها.
دراسة مراجعة نشرت في مايو 2026 للباحث كارلوس باكيرو من جامعة بورتو خلصت إلى نتيجة صادمة: عبر الأبحاث المحكمة، لم يُظهر أي نموذج تفوقًا دائمًا على المعيار الساذج المناسب في آفاق زمنية تتراوح من شهر إلى ستة أشهر عبر عدة ظروف سوقية مختلفة.
الأدبيات تحتوي على مئات الأوراق البحثية، لكن باكيرو اختار 23 منها للفحص الدقيق بناءً على أساليبها أو تأثيرها أو استخدامها لتقييم حقيقي خارج العينة. المراجعة نفسها لا تزال بانتظار التحكيم الأكاديمي، وهذا تمييز مهم خاصة عندما يكون أحد أهم حججها هو أن ادعاءات التنبؤ تحتاج إلى تقييم أكثر صرامة.
ما هو المنافس الساذج في توقع أسعار البيتكوين؟
التنبؤ الساذج يعمل لأن الأسعار المالية تميل إلى الاستمرارية. فعندما يتنبأ نموذج بسعر 100،100 دولار غدًا بينما البيتكوين يتداول اليوم عند 100،000 دولار، يمكنه تحقيق خطأ نسبي ضئيل حتى لو لم يتعلم شيئًا عن الاتجاه أو العائد. سعر اليوم كان سيكون دقيقًا بنفس القدر تقريبًا، وتقييم النموذج الأول فقط يمنحه الفضل في معلومات كان السوق قد وفّرها بالفعل.
يصبح المعيار أكثر صرامة مع توسع الأفق الزمني، لأن البيتكوين يمكن أن يتحرك بعنف خلال شهر، مما يعطي المتنبئ مساحة لإضافة قيمة، بينما العلاقات التي تعلمها النموذج تتلاشى مع تطور السوق. قاعدة تمت معايرتها على دورة 2017 التي قادها المستثمرون الأفراد واجهت هيكل مشتقات مختلفًا في 2021، كما أن صناديق الاستثمار المتداولة الفورية (Spot ETFs) أوجدت مسارًا جديدًا لرأس المال واكتشاف الأسعار في 2024. كل عصر يقدم بيانات تاريخية من نسخة من السوق لم تعد موجودة بنفس الشكل تمامًا.
هذه المشكلة تُعرف باسم “عدم الثباتية” (Non-stationarity)، وتظهر عندما لا تبقى العلاقات بين المتغيرات مستقرة بما يكفي لوصف الأحداث المستقبلية بناءً على الملاحظات السابقة. قاعدة مستخدمي البيتكوين والسيولة تطورتا مع الوقت، كما أن التنظيم وسهولة الوصول غيّرا من يمكنه التداول وكيف. النموذج قد يلتقط علاقة خلال فترة معينة ثم يفقدها عندما يتطور السوق المحيط بالأصل.
توصل فرانشيسكو بوتي وفابريزيو بيتورينو ومانويل روڤيري إلى نتيجة مماثلة في دراسة قارنت بين التنبؤات الإحصائية وتعلم الآلة والتعلم العميق. طبقوا 12 أسلوبًا على خمس عملات رقمية رئيسية بآفاق زمنية يومية وسبعة أيام و30 يومًا. النماذج الساذجة البسيطة أنتجت باستمرار تنبؤات أفضل من ARIMA وProphet والغابات العشوائية وXGBoost وشبكات LSTM وN-BEATS.
النتيجة تقول الكثير عن المعلومات المتاحة أكثر مما تقوله عن تعقيد كل طريقة. النموذج المعقد يمكن أن يضيف قيمة عندما توجد أنماط مستقرة ليتعلمها، ويمكن أن يحفظ الضوضاء عندما تكون تلك الأنماط ضعيفة أو مؤقتة. البيتكوين يوفر كميات هائلة من البيانات، لكن عدد دورات السوق المستقلة التي مر بها لا يزال صغيرًا جدًا. ملايين الأعمدة اللحظية تعيد تكرار ملاحظات من نفس سوق 2018 الهابطة أو نفس صدمة السيولة في 2020.
لماذا يفشل الاختبار الخلفي في التنبؤ الحقيقي بالسعر؟
العديد من نماذج البيتكوين تبدو أقوى بعد أن يرى مطوروها الفترة التاريخية الكاملة المستخدمة في بنائها. يمكن للباحثين تجربة متغيرات مختلفة ونوافذ زمنية متعددة، أو تغيير تاريخ البداية، أو استبدال بنية بأخرى قبل نشر أفضل نتيجة. قد يكون الفائز اكتشف علاقة دائمة حقيقية، لكنه أيضًا قد يكون ربح يانصيبًا كبيرًا أُجري على نفس التاريخ السعري، وهي نتيجة تُعرف باسم “التجهيز الزائد للاختبار الخلفي” (Backtest Overfitting).
ديفيد بيلي وزملاؤه قاموا بصياغة المشكلة رسميًا في أبحاثهم حول احتمالية التجهيز الزائد. تجربة المزيد من الاختلافات النموذجية ترفع احتمالات العثور على نتيجة تاريخية ممتازة بالمصادفة. اختيار الفائز وعرض أدائه فقط يخفي عدد المحاولات الفاشلة التي جعلت الفائز ممكنًا.
تقسيم زمني واحد بسيط لا يوفر حماية كافية، فالاحتمالات كبيرة لأن الباحث يدرب النموذج حتى 2020 ثم يقيّمه في 2021، مما ينتج نتيجة تبدو خارج العينة لكنها تدين بجزء كبير من أدائها لسوق صاعد واحد فقط. التقييم المتداول (Walk-Forward) أقوى لأن النموذج يعيد التدريب مرارًا على البيانات السابقة ويتنبأ بالفترة غير المرئية التالية. نوافذ التحقق المتعددة غير المتداخلة أقوى مرة أخرى لأنها تجبر نفس الطريقة على مواجهة أسواق صاعدة وانهيارات وفترات جانبية وظروف سيولة مختلفة.
بين الأوراق المحكمة التي فحصها باكيرو، لم يقيّم أيٌّ منها نفس الأسلوب عبر عدة نوافذ تحقق غير متداخلة تغطي ظروفًا مختلفة. أقوى الأوراق استخدمت تقييمًا متداولًا أو مستمرًا على فترة واحدة خارج العينة. هذه الأساليب توفر دليلًا حقيقيًا، لكن خطأً إجماليًا واحدًا يمكن أن يخفي فشلًا في قسم واحد خلف نجاح في قسم آخر.
ما هي مشاكل تسريب المعلومات في نماذج البيتكوين؟
تسريب المعلومات يمكن أن يؤدي إلى ثقة زائفة، لأن ميزة محسوبة ببيانات مستقبلية يمكن أن تعطي النموذج رؤية خافتة للإجابة. تحصل على نفس المشكلة عندما تطبّع المتغيرات عبر العينة الكاملة، كما أن نوافذ العائد المتداخلة يمكن أن تنقل ملاحظات مستقبلية عبر حدود التدريب. الخطأ قد يكون خفيًا بما يكفي ليتجاوز التحكيم الأكاديمي، خاصة عندما تضع بنية معقدة عدة تحويلات بين البيانات الخام والتنبؤ المعلن.
المقياس نفسه يمكن أن يجامل النموذج عندما يشير ادعاء دقة 99% إلى مدى قرب السعر المتوقع من السعر الفعلي، وهي مهمة سهلة نسبيًا لسلسلة مستمرة. المتداولون يهتمون بالاتجاه وحجم الحركة وتكلفة اتخاذ القرار بناءً عليه. النموذج الذي يتنبأ بسعر 100،500 دولار بينما ينتقل البيتكوين من 100،000 إلى 99،500 دولار لديه خطأ سعري صغير لكنه مع ذلك يتخذ صفقة خاطئة.
لماذا تفشل نماذج القيمة طويلة الأجل في التنبؤ؟
أطر تقييم البيتكوين الأكثر شهرة تزدهر لأنها تحوّل أصلًا معقدًا للغاية إلى شرح بديهي جميل. نموذج “الاحتياطي إلى الإنتاج” (Stock-to-Flow) يقول إن الندرة هي ما يقود القيمة، مع كل تخفيض لمكافأة التعدين يقلل العرض الجديد نسبة إلى المخزون الحالي. نماذج ميتكالف تقول إن الشبكة تصبح أكثر قيمة مع توسع قاعدة مستخدميها. نموذج القوة اللوغاريتمية يقول إن تاريخ البيتكوين الطويل يتبع علاقة رياضية مستقرة بين السعر والوقت.
كل هذه الأفكار تحتوي على منطق اقتصادي معقول، لكن سجلها التنبؤي يعتمد على ما إذا كانت العلاقة الملائمة تصمد أمام البيانات الجديدة وما إذا كانت التفسيرات الأبسط تقدم نفس النتيجة. فحص ألكسندر شيلتون المحكم في 2024 لتنبؤ عوائد البيتكوين وجد أن متغيرات الاحتياطي إلى الإنتاج وميتكالف ساعدت في تفسير العوائد داخل العينة لكنها قدمت قدرة تنبؤية محدودة أو معدومة خارج العينة.
بمجرد إدخال تأثيرات الوقت في انحدار الاحتياطي إلى الإنتاج، اختفت قوته الإحصائية. نسبة العرض في البيتكوين تزيد وفق جدول زمني محدد مسبقًا، وسعره أيضًا ارتفع طوال معظم تاريخه، مما يجعل السلسلتين المرتبطتين بالوقت تبدوان مرتبطتين اقتصاديًا. رأينا هذا الضعف في السوق قبل وقت طويل من ظهوره في مراجعة رسمية، إذ انحرف نموذج الاحتياطي إلى الإنتاج عن سعر البيتكوين مع تداول الأصل تحت مساره المتوقع لسنوات.
الانحراف المستمر يمكن استيعابه بإعادة تعريف الناتج كقيمة طويلة الأجل أو متوسط دورة، لكن كل إعادة تعريف تجعل ادعاء السعر الأصلي أصعب في التقييم. قانون ميتكالف يواجه مشكلة تحديد مماثلة، لأن نشاط الشبكة والسعر يمكن أن يرتفعا معًا عندما يرفع التبني القيمة، أو عندما يجذب السعر المرتفع مستخدمين جددًا، أو عندما يتبع المتغيران مسارًا زمنيًا مشتركًا.
استخدم سافا شاناييف وزملاؤه متغيرات أدواتية عبر ستة أصول بإثبات العمل في دراسة عن تكاليف التعدين ونشاط الشبكة وقيمة العملات الرقمية. بمجرد معالجة الارتباط الذاتي والعلاقة الثنائية بين النشاط والسعر، اختفت الآثار الإيجابية المنسوبة إلى قوة التجزئة وعدد المعاملات.
هل يمكن الوثوق بنموذج القوة اللوغاريتمية للبيتكوين؟
نماذج القوة اللوغاريتمية في موقف أكثر تعقيدًا، لأن ممراتها التقطت جزءًا كبيرًا من المسار التاريخي للبيتكوين وتوفر لغة بصرية عملية لمناقشة مكان السعر بالنسبة لمنحنى طويل الأجل. التقارير حول نموذج القوة اللوغاريتمية أظهرت أيضًا كيف يمكن لهيكل سوق صناديق الاستثمار المتداولة أن يغير القوى المتحركة للسعر داخل ذلك الممر.
المشكلة الأكاديمية تكمن في قوة الاستدلال. معامل التحديد المرتفع (R-squared) على مخطط لوغاريتمي يثبت أن الخط يناسب العينة المرصودة فقط. الدعم الرسمي للقوة اللوغاريتمية يتطلب أيضًا دليلًا حول توزيع البواقي ومقارنات مع دوال زمنية أخرى. يجب على الباحثين بعد ذلك فحص الحساسية لتاريخ البداية والأداء على الملاحظات المستقبلية. مراجعة باكيرو وجدت أن أدبيات القوة اللوغاريتمية الحالية لم تكمل هذا العمل بعد.
ما معيار التنبؤ الصادق لأسعار البيتكوين؟
المعيار الصادق للتنبؤ يجب أن ينشر المعيار الساذج بجانب النموذج ويقدم كل ظروف السوق بشكل منفصل. تكاليف التداول يجب أن تكون جزءًا من النتائج، والكود والبيانات العامة تسمح للباحثين الآخرين بإعادة إنتاج النتائج. يجب أن تكشف الورقة البحثية عن عدد الاختلافات التي تمت تجربتها، لأن هذا الرقم يحدد مدى مفاجأة الاختبار الخلفي الفائز. يجب فصل الروايات التقييمية عن التنبؤات النقطية، ويجب أن يعكس النطاق المعلن حالة عدم اليقين للأصل.
أي مصطلح تصحيحي يجب أن يسمح بقيمة صفرية، مما يتيح للنموذج أن يستنتج أن سعر اليوم هو أفضل تنبؤ له. هذا الاستنتاج سيواجه دائمًا صعوبة على الإنترنت لأنه لا يقدم هدفًا دراماتيكيًا ولا تاريخًا محددًا للانتظار. لكن له ميزة واحدة نادرًا ما يعلنها سوق التنبؤات: إنه يخبرنا بالضبط مقدار ما يعرفه النموذج أكثر من السعر المرئي بالفعل للجميع.
الأسئلة الشائعة حول توقع أسعار البيتكوين
ما هو التنبؤ الساذج ولماذا يصعب التغلب عليه؟
التنبؤ الساذج هو أبسط طريقة ممكنة لتوقع السعر، إذ يستخدم سعر اليوم فقط كأفضل تقدير لسعر الغد. يصعب التغلب عليه لأن أسعار البيتكوين تميل للاستمرارية، ومعظم النماذج المعقدة لا تقدم معلومات إضافية حقيقية تتجاوز ما يعرفه السوق بالفعل، خاصة عند اختبارها على فترات زمنية جديدة لم تكن جزءًا من تدريبها.
لماذا تفشل النماذج المشهورة مثل الاحتياطي إلى الإنتاج في التنبؤ خارج نطاق بياناتها؟
هذه النماذج تصف العلاقة بين السعر وعوامل مثل الندرة أو نشاط الشبكة خلال الفترة التي صُممت فيها. لكن الأسواق تتغير باستمرار مع دخول لاعبين جدد وظهور منتجات جديدة مثل صناديق الاستثمار المتداولة، ولهذا تختفي القوة التنبؤية لهذه النماذج عند اختبارها على بيانات مستقبلية لم تكن متاحة وقت بناءها.
ما هو أفضل معيار للحكم على أي نموذج لتنبؤ البيتكوين؟
أفضل معيار هو مقارنة النموذج بالتنبؤ الساذج على عدة فترات زمنية مختلفة تشمل أسواقًا صاعدة وهابطة وجانبية، مع الكشف عن جميع المحاولات الفاشلة التي سبقت النتيجة النهائية، وإتاحة الكود والبيانات للجمهور للتحقق المستقل. إذا لم يتفوق النموذج باستمرار على مجرد استخدام سعر اليوم، فإنه لا يضيف قيمة حقيقية للمتداول.
