دور خوارزميات التعلم الآلي في تحسين كفاءة التحليل الإحصائي لاكتشاف الأنماط غير الخطية في البيانات المالية: دراسة مقارنة بين الأساليب التقليدية والذكية
DOI:
https://doi.org/10.31272/ijes.v24iخاص.1568الكلمات المفتاحية:
التعلم الآلي، التحليل الإحصائي، البيانات المالية، الأنماط غير الخطية، النمذجة التنبؤية، الذكاء الاصطناعي.الملخص
يهدف هذا البحث إلى دراسة الدور التحويلي لخوارزميات التعلم الآلي في تحسين كفاءة التحليل الإحصائي للبيانات المالية، مع التركيز على قدرتها في اكتشاف الأنماط غير الخطية التي تعجز الأساليب الإحصائية التقليدية عن رصدها. اعتمد البحث منهجاً مختلطاً يجمع بين المسح الاستطلاعي لعينة قصدية من 72 خبيراً ومتخصصاً في التحليل المالي الكمي، والتطبيق التجريبي الذي قارن أداء نموذجين من نماذج التعلم الآلي (الشبكات العصبية الاصطناعية وشجرة القرار المعززة بـ XGBoost) مقابل نموذج الانحدار الخطي المتعدد، باستخدام بيانات لمؤشر S&P 500، كشفت نتائج المسح عن موافقة عالية من الخبراء على تفوق النماذج الذكية في دقة التنبؤ واستكشاف الأنماط غير الخطية، مع تعزيز هذا التفوق بزيادة حجم البيانات. وأكدت النتائج التجريبية هذه النتائج كمياً، حيث تفوقت نماذج التعلم الآلي بشكل واضح على النموذج التقليدي، حيث حققت الشبكة العصبية الاصطناعية انخفاضاً في جذر متوسط الخطأ التربيعي (RMSE) بنسبة 37%، كما أظهرت قدرة أفضل على تحديد الفترات الشاذة والمتقلبة في السوق من خلال تقنيات مثل التجميع وكشف الشذوذ، بناءً على هذه النتائج، يوصي البحث بتبني المؤسسات المالية لمنهجيات التعلم الآلي تدريجياً، والاستثمار في بنى تحتية للبيانات الضخمة، ويدعو الباحثين إلى تطوير نماذج هجينة وتعميق الدراسات التطبيقية المقارنة.
