في عالم التداول المالي، لطالما اعتمد المتداولون الفنيون على التحليل البصري لرسوم الشموع (candlestick charts) لتحديد أنماط السوق وتوقع تحركات الأسعار. ومع التقدم الهائل الذي حققته تقنيات التعلم العميق (Deep Learning) في تصنيف الصور، فإن استخدامها في تحليل صور الرسوم البيانية المالية لايزال قيد الاستكشاف.

تقدم دراسة حديثة تحليلًا ممنهجًا يُقارن بين التمثيلات البصرية المختلفة لتوقع أنظمة العملات الرقمية. فقد أجرى الباحثون تقييمًا لثلاث طرق لترميز الصور (رسوم الشموع الخام، حقول الزاوية غراميان (Gramian Angular Fields)، وGAF متعدد القنوات)، بالإضافة إلى خمس تكوينات لمكونات الرسم البياني وأربع معماريات لشبكات عصبية (CNN، ResNet18، EfficientNet-B0، وVision Transformer). لم يتوقف الأمر هنا، بل تم تقييم تأثير تقنية نقل التعلم من إيمج نت (ImageNet) أيضًا.

عبر ثمانية تجارب خاضعة للتحكم على بيانات البيتكوين (Bitcoin)، والإيثريوم (Ethereum)، ومؤشر S&P 500 خلال الفترة من 2018 إلى 2024، استطاع الباحثون تحديد التكوينات المثلى لتصنيف الأنظمة البصرية. ووجدت النتائج أن شبكة CNN بسيطة ذات أربع طبقات على رسوم الشموع الخام حققت AUC-ROC بمعدل 0.892، متفوقةً على نماذج أكبر مُدربة مسبقاً.

المفاجأة كانت أن التمثيلات الأبسط (مثل الرسوم البيانية التي تركز على الأسعار فقط بدقة 128x128) تفوقت باستمرار على البدائل الأكثر تعقيداً. كما تم توفير تحليل للقدرة على التفسير باستخدام GradCAM، حيث أظهرت النتائج أن نقل التعلم يساهم في تحسين الأداء بنسبة تتراوح بين 4% و16% على الرغم من الفجوة بين الصور الطبيعية والرسوم البيانية المالية.

تشير هذه النتائج المثيرة إلى أن استخدام التمثيلات البصرية بطريقة استراتيجية يمكن أن يعيد تشكيل كيفية تعامل المتداولين مع أسواق العملات الرقمية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.