كيفية إيجاد المتوسطات المتحركة الموزونة في إكسل

يُمثّل تحليل السلاسل الزمنية أحد الركائز الجوهرية في علم الإحصاء التطبيقي، وتحليل البيانات، والنمذجة المالية، والتنبؤ السلوكي. في بيئة الأعمال المعاصرة والبحوث الأكاديمية المتقدمة، تتسم البيانات التاريخية بتدفق مستمر يخضع لتأثيرات متزامنة من التغيرات الدورية، والتقلبات الموسمية، والتداخلات العشوائية. من هنا، تبرز الحاجة الماسة إلى أدوات تمهيد رياضي قادرة على تصفية هذا التشويش الإحصائي واستخلاص الاتجاه العام الكامن وراء التذبذبات اللحظية، بما يتيح لصانعي القرار والباحثين فهم الحاضر واستشراف آفاق المستقبل بدقة وموثوقية عالية.

تُعد تقنية المتوسط المتحرك الموزون (Weighted Moving Average – WMA) نقلة نوعية مقارنة بالمتوسطات البسيطة التقليدية؛ إذ تتجاوز الافتراض الكلاسيكي القائم على تساوي الأهمية النسبية لجميع الفترات الزمنية السابقة. يمنح هذا النموذج المتقدم أوزاناً متباينة لنقاط البيانات عبر الزمن، مع إعطاء الأولوية القصوى للمشاهدات الأحدث زمناً، مما يجعله أكثر استجابة للمتغيرات السريعة، وأقل عرضة لظاهرة التأخر الزمني المفرط التي تعيب النماذج التمهيدية الكلاسيكية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة تطبيقية وأكاديمية متكاملة لكيفية بناء، وتطبيق، وتدقيق نماذج المتوسطات المتحركة الموزونة باستخدام برنامج مايكروسوفت إكسل (Microsoft Excel). سنغطي كافة الجوانب بدءاً من الأسس الرياضية والنظرية، مروراً بالصيغ المباشرة والدوال المتقدمة مثل SUMPRODUCT والدوال الديناميكية الحديثة، وصولاً إلى تحسين الأوزان آلياً عبر أداة Solver، وتقييم دقة التنبؤ، وتصميم لوحات تحكم تفاعلية للمراقبة المستمرة.

1. المدخل النظري والمفاهيمي إلى المتوسطات المتحركة الموزونة (WMA)

1.1 مفهوم السلاسل الزمنية وتنقية البيانات من الضوضاء

تُعرّف السلسلة الزمنية (Time Series) بأنها مجموعة من المشاهدات الإحصائية المرتبة ترتيباً زمنياً تصاعدياً على فترات زمنية متساوية، مثل الأيام، أو الأسابيع، أو الأشهر، أو السنوات. تتكون هذه السلاسل عادة من أربعة مكونات أساسية تتفاعل فيما بينها لتشكل النمط النهائي للبيانات: الاتجاه العام (Trend) الذي يعبر عن الحركة العامة طويلة الأجل صعوداً أو هبوطاً، والمكون الموسمي (Seasonality) الذي يتكرر بانتظام خلال فترات زمنية محددة، والمكون الدوري (Cyclical) المرتبط بالدورات الاقتصادية العامة، وأخيراً المكون العشوائي أو الضوضاء الإحصائية (Irregular/Noise Component).

تنشأ الضوضاء الإحصائية نتيجة عوامل ظرفية عابرة أو أخطاء قياس لحظية لا تعكس الواقع الهيكلي للظاهرة المدروسة. يؤدي وجود هذا المكون العشوائي إلى تشويه الرؤية التحليلية، حيث تصبح التذبذبات الحادة قصيرة الأجل عائقاً أمام إدراك المسار الحقيقي الذي تسلكه البيانات. من هذا المنطلق، تتدخل أساليب التمهيد الرياضي (Data Smoothing Techniques) بهدف تصفية المشاهدات من هذه التشوهات، وعزل المكونات الهيكلية عن الضوضاء العابرة، وتوفير منحنى بياني نقي يُظهر الديناميكيات الفعلية للسلسلة الزمنية بدقة متناهية.

يلعب التمهيد الإحصائي دوراً فاصلاً في إبراز الأنماط الكامنة التي قد تختفي خلف الضجيج اليومي أو الأسبوعي. عند إخضاع البيانات للتنعيم الرياضي، تنخفض التباينات اللحظية غير المفسرة، مما يمهد الطريق للباحثين والمحللين لتطبيق نماذج التنبؤ وتحديد نقاط التحول والانقلاب في الاتجاه بدرجة أعلى من الثقة الإحصائية والتأصيل المنهجي.

1.2 التعريف الرياضي للمتوسط المتحرك الموزون وأهميته التنبؤية

يختلف المتوسط المتحرك الموزون (WMA) اختلافاً جوهرياً عن المتوسط المتحرك البسيط (SMA)؛ فبينما يفترض الأخير أن جميع البيانات التاريخية الواقعة ضمن نافذة الحساب تمتلك ذات القيمة التفسيرية والأهمية التنبؤية، يقوم المتوسط الموزون بتوزيع أوزان ترجيحية متباينة على المشاهدات. يرتكز هذا النهج على فرضية منطقية مفادها أن الأحداث والبيانات الأحدث زمناً تحتوي على معلومات أكثر حداثة وارتباطاً بالواقع الراهن، مما يجعلها مؤشراً أقوى على السلوك المستقبلي مقارنة بالبيانات القديمة التي ربما تأثرت بظروف لم تعد قائمة.

يستند المنطق الإحصائي للأوزان التنازلية إلى خفض الارتباط التلقائي العكسي الناتج عن دمج مشاهدات بعيدة زمنياً؛ إذ تُمنح الفترة الزمنية الأخيرة الوزن الأكبر، وتتناقص الأوزان تدريجياً وبشكل منهجي كلما اتجهنا نحو بداية النافذة الزمنية المحددة. هذا التوزيع يحقق توازناً دقيقاً بين أمرين: الحفاظ على تأثير البيانات السابقة لضمان استقرار النموذج ومنع الانقياد وراء تقلبات اليوم الواحد، وفي الوقت نفسه إعطاء الأولوية للواقع الأحدث لضمان سرعة التقاط التحولات الهيكلية في السلسلة الزمنية.

تتجلى الأهمية التنبؤية للمتوسط الموزون في تقليص ظاهرة التأخر الزمني (Lag Effect) التي تشهدها النماذج البسيطة. فعند حدوث صدمة سعرية أو تحول حاد في نمط الطلب، يتفاعل المتوسط الموزون بسرعة فائقة ويتحرك في اتجاه التغير الجديد بمرونة أعلى بكثير من المتوسط البسيط، مما يجعله أداة استشرافية لا غنى عنها في البيئات المتغيرة التي تتطلب استجابة سريعة وقرارات فورية مبنية على البيانات الحديثة.

1.3 مجالات التطبيق في التحليلات الكمية والسلوكية

تتعدد مجالات تطبيق المتوسط المتحرك الموزون لتشمل مختلف فروع المعرفة الكمية والتحليلية. في مجال العلوم السلوكية والنفسية، يُستخدم هذا النموذج لقياس وتتبع المؤشرات النفسية والسلوكية المتغيرة عبر الزمن، مثل مستويات الرضا الوظيفي، وتذبذبات مستويات التوتر، وأنماط الاستجابة الإدراكية للأفراد في البيئات التجريبية. يتيح المتوسط الموزون للباحثين منح وزن أكبر للحالات النفسية والسلوكية المسجلة حديثاً، مما يساعد على التمييز بين ردود الأفعال الانفعالية المؤقتة والتحولات السلوكية المستقرة.

في سياق إدارة الأعمال وتحليلات سلاسل الإمداد، يمثل المتوسط الموزون حجر الزاوية في التنبؤ بالطلب قصير الأجل وإدارة المخزون لمبيعات الشركات. تعتمد الشركات على هذه التقنية لتقدير حجم الطلب المتوقع على المنتجات الاستهلاكية سريعة التداول، حيث تكون أرقام المبيعات للأسبوع الأخير أكثر دلالة على اتجاهات السوق وحملات التسويق الجارية مقارنة بأرقام المبيعات المسجلة قبل شهر أو شهرين، مما يقلل من تكاليف التخزين الفائض ويمنع نفاد البضائع.

أما في النمذجة الاقتصادية والتحليل المالي، يُستخدم المتوسط الموزون لتقييم المخاطر، وبناء مؤشرات قياس السيولة، ومراقبة التقلبات في أسواق الأسهم والعملات. يساعد النموذج على تتبع المسار المتوسط للأسعار مع تقليل أثر الفجوات السعرية التاريخية التي فقدت تأثيرها الاقتصادي، مما يجعله جزءاً لا يتجزأ من أنظمة التحليل الفني ومؤشرات التداول الخوارزمي المتقدمة.

2. الأسس الرياضية والمعادلات المنهجية لحساب المتوسط الموزون

2.1 الصيغة الجبرية العامة لحساب المتوسط المتحرك الموزون

يقوم الحساب الرياضي للمتوسط المتحرك الموزون على ضرب كل قيمة من قيم السلسلة الزمنية ضمن نافذة محددة في وزن ترجيحي مخصص لها، ثم جمع هذه النواتج وقسمتها على إجمالي الأوزان المستخدمة. تأخذ الصيغة الجبرية العامة للمتوسط المتحرك الموزون للفترة الزمنية $t$ بنافذة طولها $n$ الشكل التالي:

$$\text{WMA}_t = \frac{\sum_{i=1}^{n} (w_i \cdot X_{t – n + i})}{\sum_{i=1}^{n} w_i}$$

حيث تمثل $X_t$ القيمة الفعلية للسلسلة الزمنية عند الفترة $t$، بينما تمثل $w_i$ الوزن المخصص للمشاهدة المقابلة، ويمثل $n$ عدد الفترات الزمنية المشمولة في نافذة المتوسط المتحرك (Window Size). يُشترط إحصائياً أن تكون جميع الأوزان أعداداً حقيقية موجبة ($w_i > 0$)، وذلك لضمان منطقية المتوسط وتجنب الحصول على قيم سالبة غير مفسرة اقتصادياً أو سلوكياً عند التعامل مع سلاسل زمنية ذات قيم موجبة.

في الحالات المعيارية المثالية، يتم ضبط وتطبيع الأوزان (Normalization) بحيث يكون مجموعها مساوياً للواحد الصحيح، أي أن $\sum w_i = 1$ (أو $100%$). في هذه الحالة، تتبسط المعادلة الرياضية ويُلغى المقام، لتصبح القيمة مساوية لمجموع حواصل الضرب المباشرة فقط: $\text{WMA}_t = \sum (w_i \cdot X_{t – n + i})$. أما إذا كانت الأوزان المحددة أعداداً صحيحة عشوائية مثل (1، 2، 3) فإن المقام يصبح إلزامياً، وتتم القسمة على مجموع تلك الأوزان ($1 + 2 + 3 = 6$) لضمان سلامة التقدير الإحصائي والحياد الحسابي.

2.2 طرق تحديد مصفوفة الأوزان (Weights Assignment)

تخضع عملية تخصيص وتحديد مصفوفة الأوزان ($W$) لمناهج علمية متعددة تعتمد على طبيعة الدراسة ونوعية البيانات. يُعد نموذج الأوزان الخطية التنازلية (Linear Decreasing Weights) أحد أشهر الأساليب المطبقة؛ حيث يتم تعيين أوزان تزداد حسابياً بشكل خطي مع الزمن، فتُعطى الفترة الأقدم وزناً قدره 1، والفترة التي تليها وزناً قدره 2، وتستمر الزيادة حتى الفترة الأحدث التي تأخذ الوزن $n$. في هذه الحالة، يُحسب مجموع الأوزان رياضياً وفق قاعدة المجموع الحسابي الشهيرة $S = \frac{n(n+1)}{2}$.

إلى جانب النموذج الخطي، يبرز نموذج الأوزان المخصصة المبنية على الخبرة التجريبية والدراسات الميدانية (Empirical/Expert Weights). يُستخدم هذا المنهج عندما تتوافر لدى المحلل معرفة مسبقة بوجود دورات تسويقية أو عوامل موسمية دورية تجعل فترات معينة ذات ثقل نوعي أعلى من غيرها، كأن تُمنح عطلات نهاية الأسبوع أو أيام الإغلاق المالي أوزاناً مخصصة تختلف عن السياق الخطي الصارم.

ترتبط مصفوفة الأوزان بمعامل حساسية النموذج؛ فكلما زاد التفاوت النسبي بين وزن الفترة الأحدث وأوزان الفترات السابقة، ارتفعت حساسية النموذج وسرعته في تتبع التقلبات الحالية، ولكن على حساب زيادة التذبذب في المنحنى الناتج. في المقابل، يؤدي تقارب الأوزان وتجانسها إلى اقتراب النموذج من سلوك المتوسط البسيط، مما يرفع درجة التمهيد ويقلل من استجابة النموذج للصدمات اللحظية في البيانات.

2.3 تأثير طول الفترة الزمنية (Window Size) على حساسية النموذج

يمثل اختيار طول الفترة الزمنية أو ما يُعرف بحجم النافذة ($n$) قراراً محورياً يؤثر تأثيراً مباشراً على الخصائص الديناميكية والإحصائية لنموذج المتوسط المتحرك الموزون. يؤدي اختيار نافذة زمنية قصيرة (تتراوح عادة بين 3 إلى 5 فترات) إلى زيادة سرعة استجابة المنحنى للمتغيرات اللحظية، وتوفير قدرة عالية على التقاط نقاط الانعطاف المبكرة في السلسلة، إلا أن ذلك يترتب عليه بقاء جزء ملحوظ من الضوضاء الإحصائية وظهور تذبذبات متعرجة في خط المتوسط.

على النقيض من ذلك، فإن اعتماد نوافذ زمنية طويلة (مثل 15 أو 20 فترة أو أكثر) يمنح المنحنى درجة فائقة من الاستقرار والتمهيد، مما يساعد على استخلاص الاتجاه العام طويل الأجل بدقة وعزل كافة المؤثرات العشوائية. ولكن يعيب هذا الخيار الرياضي زيادة فجوة التأخر الزمني (Lag) بين المنحنى الممهد والبيانات الفعلية، مما قد يؤدي إلى تأخر صدور إشارات التنبؤ أو فوات أوان اتخاذ القرارات في الأسواق سريعة التغير.

تتمثل المفاضلة الإحصائية الأساسية (Trade-off) في إيجاد النقطة المثلى التي توازن بين تخميد الضوضاء (Noise Reduction) وسرعة رصد الإشارة الفعلية (Signal Tracking). يتطلب تحديد هذا الحجم الأمثل إجراء اختبارات إحصائية مقارنة لمقاييس أخطاء التنبؤ لضمان تحقيق أعلى كفاءة ممكنة للنموذج المعتمد.

3. إعداد وهيكلة البيانات الزمنية في برنامج إكسل (Excel)

3.1 تنظيم الجداول وتنسيق السلاسل الزمنية

يتطلب التطبيق الناجح لأي نموذج إحصائي في برنامج مايكروسوفت إكسل تصميماً جدولياً منضبطاً يتوافق مع المعايير القياسية لإدارة البيانات. يجب ترتيب السلسلة الزمنية تسلسلياً حسب التواريخ أو الفترات بشكل تصاعدي من الأقدم إلى الأحدث من أعلى الجدول إلى أسفله. يُخصص العمود الأول عادة لمحددات الفترة الزمنية (التاريخ أو رقم الفترة $t$)، بينما يُخصص العمود الثاني للبيانات الخام الفعلية ($X_t$)، وتُترك الأعمدة التالية للعمليات الحسابية ومخرجات النمذجة.

من الضروري التحقق من التنسيق الرقمي لكافة الخلايا، حيث يجب تنسيق عمود التواريخ بنمط تاريخ موحد (مثل YYYY-MM-DD)، وتنسيق قيم البيانات الخام كقيم رقمية (Numeric) مع تثبيت عدد الخانات العشرية المناسبة لتجنب مشاكل التقريب الحسابي. كما يُستحسن تخصيص مساحة معزولة في أعلى ورقة العمل، أو في جدول مستقل مخصص للمعلمات (Parameters Block)، لوضع مصفوفة الأوزان ($w_1, w_2, dots, w_n$)، مما يتيح الإشارة إليها لاحقاً باستخدام المراجع المطلقة ($) بسهولة ومرونة.

إن تنظيم هيكل البيانات بهذه الطريقة الاحترافية يمنع حدوث التداخلات بين البيانات المدخلة والصيغ الرياضية، ويسهل عمليات مراجعة وتدقيق الجداول المالية والإحصائية، كما يضمن سلاسة تطبيق الصيغ عبر السلاسل الزمنية الطويلة دون تعثر برمجي أو أخطاء إزاحة غير مقصودة.

3.2 فحص سلامة البيانات واكتشاف الانقطاعات

قبل الشروع في كتابة معادلات المتوسط المتحرك الموزون، يجب فحص السلسلة الزمنية بدقة للتأكد من خلوها من الانقطاعات أو الفترات الزمنية المفقودة (Missing Values). في السلاسل اليومية أو الأسبوعية، يمكن أن يتسبب سقوط تاريخ معين في تشويه تسلسل النافذة الزمنية، مما يؤدي إلى ضرب أوزان فترات متقاربة في بيانات غير متناسقة زمنياً. يمكن استخدام دوال الفحص مثل `=COUNTBLANK()` أو تطبيق دوال المنطق لاكتشاف أي فجوات زمنية بين السطور.

بالإضافة إلى ذلك، يجب دراسة القيم الشاذة والمتطرفة (Outliers) التي قد تنجم عن أخطاء إدخال يدوي أو أحداث استثنائية غير نمطية. ونظراً لأن المتوسط الموزون يمنح وزناً مضاعفاً للفترات الأخيرة، فإن وجود قيمة متطرفة في المشاهدة الأحدث قد يدفع بقيمة المتوسط نحو انحراف حاد غير واقعي. يمكن تطبيق التنسيق الشرطي (Conditional Formatting) لتلوين الخلايا التي تتجاوز ثلاثة انحرافات معيارية عن المتوسط الحسابي، مما يتيح للمحلل التحقق منها قبل بدء المعالجة.

يضمن هذا التدقيق المسبق أن تكون السلسلة خاضعة لرقابة الجودة الإحصائية، مما يجعل مخرجات المتوسط المتحرك الموزون ممثلة بدقة للواقع ومبنية على أساس بيانات متسقة ومتجانسة.

3.3 تجهيز معلمات النموذج داخل ورقة العمل

لضمان سهولة صيانة النموذج وتعديله، يُنصح بتصميم قسم خاص لمعلمات النموذج (Model Assumptions). يحتوي هذا القسم على خلايا مخصصة لإدخال الأوزان المقترحة، بجانب خلية تحقق منطقية تحسب مجموع هذه الأوزان تلقائياً باستخدام دالة `=SUM()`. إذا كان المجموع يختلف عن الواحد الصحيح (أو 100%)، يمكن استخدام التنسيق الشرطي لتحذير المستخدم بضرورة مراجعة توزيع الأوزان أو تقسيم المعادلة على مجموعها.

تُعد ميزة تسمية النطاقات (Named Ranges) في إكسل خطوة متقدمة لتسهيل كتابة الصيغ وجعلها مقروءة بوضوح. بدلاً من الإشارة إلى الأوزان بنطاق خلايا مجرد مثل `$D$2:$D$4`، يمكن تحديد هذا النطاق وتسميته باسم وصفي مثل `Weights_3P`. عند كتابة المعادلات الحسابية، تصبح الصيغة أكثر وضوحاً ودلالة، مثل `=SUMPRODUCT(B2:B4, Weights_3P)`، مما يقلل من احتمالات الخطأ عند نقل النموذج أو تعديله.

يوفر هذا النهج التوثيقي بيئة عمل مرنة للمحللين والمراجعين، حيث تُسجل الملاحظات والافتراضات المتعلقة بأسباب اختيار قيم معينة للأوزان مباشرة في خلايا مجاورة، مما يعزز من الموثوقية الأكاديمية والمهنية للنموذج الرياضي المنشأ.

4. تطبيق دالة SUMPRODUCT لحساب المتوسط المتحرك الموزون

4.1 مبدأ عمل دالة SUMPRODUCT في إكسل

تُعتبر دالة SUMPRODUCT إحدى أكثر الدوال الحسابية كفاءة وقوة في برنامج مايكروسوفت إكسل، وهي الأداة القياسية الموصى بها لحساب المتوسطات الموزونة ومصفوفات الضرب التراكمي. تقوم فكرة الدالة الأساسية على استقبال مصفوفتين أو أكثر ذات أبعاد متطابقة، ثم ضرب العناصر المتقابلة في كل مصفوفة على حدة، وتجميع النواتج الناتجة عن عمليات الضرب في قيمة مفردة تُعاد كنتيجة نهائية للدالة.

تتمتع دالة `SUMPRODUCT` بمزايا استثنائية مقارنة بالمعادلات اليدوية المركبة؛ فهي تتعامل مع نطاقات الخلايا كمصفوفات مباشرة دون الحاجة للضغط على مفاتيح الدوال المصفوفية المعقدة (Ctrl+Shift+Enter) في الإصدارات القديمة من إكسل، وتتميز بسرعة معالجة فائقة واستهلاك منخفض لموارد الذاكرة حتى عند التعامل مع مجموعات بيانات ضخمة تمتد لآلاف السطور.

يجب التنبيه إلى ضرورة تطابق أبعاد المصفوفات المدخلة في الدالة بدقة متناهية؛ فإذا كان نطاق البيانات يحتوي على 3 خلايا رأسية (مثلاً `B2:B4`)، يجب أن يحتوي نطاق الأوزان أيضاً على 3 خلايا متطابقة الاتجاه والعدد (مثل `$E$2:$E$4`). وفي حال وجود أي اختلاف في عدد الصفوف أو الأعمدة بين النطاقين، ستقوم الدالة بإرجاع خطأ القيمة الشهير (`#VALUE!`)، مما يبرز أهمية الدقة في توجيه المراجع.

4.2 بناء الصيغة النموذجية لحساب WMA لثلاث فترات

لتطبيق حساب المتوسط المتحرك الموزون لثلاث فترات زمنية ($n=3$)، نفترض أن البيانات الفعلية مسجلة في العمود $B$ ابتداءً من الخلية $B2$ وحتى نهاية السلسلة، بينما توجد مصفوفة الأوزان الثلاثية في النطاق المستقل `$E$2:$E$4`، حيث تمثل الخلية $E2$ وزن الفترة الأقدم (مثلاً 0.2)، و$E3$ وزن الفترة المتوسطة (مثلاً 0.3)، و$E4$ وزن الفترة الأحدث (مثلاً 0.5)، ومجموعها يساوي 1.0.

نظراً لأن النافذة تتطلب 3 مشاهدات متتالية، فإن أول قيمة يمكن حساب المتوسط لها هي القيمة المقابلة للفترة الزمنية الثالثة، أي في الخلية $C4$. تُكتب الصيغة النموذجية في الخلية $C4$ كما يلي:

=SUMPRODUCT(B2:B4, $E$2:$E$4)

في هذه الصيغة، تضرب الدالة قيمة $B2$ في $E2$، وقيمة $B3$ في $E3$، وقيمة $B4$ في $E4$، ثم تجمع النواتج الثلاثة معاً. تم تثبيت نطاق الأوزان باستخدام علامة الدولار (`$E$2:$E$4`) لتحويله إلى مرجع مطلق لا يتغير مكانه، بينما تُرِك نطاق البيانات `B2:B4` كمرجع نسبي ليتحرك بسلاسة عند تعميم الصيغة على باقي السلسلة.

في حال كانت الأوزان المستخدمة غير معيرة (أي مجموعها لا يساوي 1، مثل 1، 2، 3)، يتم تعديل الصيغة الرياضية بقسمة ناتج الدالة على مجموع نطاق الأوزان باستخدام دالة `SUM` المساعدة، لتصبح الصيغة كالتالي:

=SUMPRODUCT(B2:B4, $E$2:$E$4) / SUM($E$2:$E$4)

4.3 تعميم المعادلة وتعبئة السلسلة الزمنية

بعد كتابة الصيغة النموذجية في الخلية $C4$ والتأكد من صحة ناتجها الحسابي، يتم تعميم الصيغة على كامل السلسلة الزمنية المتبقية. يتم ذلك عن طريق تحديد الخلية $C4$ ثم وضع مؤشر الفأرة على الزاوية السفلية اليسرى (أو اليمنى حسب لغة الواجهة) حتى يتحول المؤشر إلى علامة الجمع السوداء (+) المعروفة باسم مقبض التعبئة (Fill Handle)، ثم النقر المزدوج أو السحب لأسفل حتى نهاية السلسلة الزمنية.

عند سحب الصيغة إلى الخلية التالية $C5$، ستتحول الصيغة تلقائياً بفضل استخدام المراجع النسبية إلى `=SUMPRODUCT(B3:B5, $E$2:$E$4)`، حيث تم تحريك نافذة البيانات صفاً واحداً إلى الأسفل لتشمل الفترات (2 و3 و4)، مع بقاء مراجع الأوزان ثابتة ومقيدة على الخلايا `$E$2:$E$4`. تتكرر هذه العملية التلقائية في كل خلية على امتداد العمود، مما يحقق مبدأ النافذة الزمنية المتحركة المتدرجة بدقة وسرعة متناهية.

ينبغي على المحلل مراجعة النتائج والتأكد من عدم سحب المعادلة إلى خلايا فارغة بعد انتهاء السلسلة، والتحقق من أن الخلايا الأولى (الفترتان الأولى والثانية) قد تُركت فارغة أو أُدرجت بها علامة خطأ مقصودة (مثل “N/A”)، نظراً لعدم اكتمال الحد الأدنى المطلوب من البيانات التاريخية لتكوين نافذة الحساب الثلاثية.

5. الحسابات اليدوية والصيغ التناظرية في إكسل للمبتدئين

5.1 استخدام العمليات الحسابية المباشرة (الضرب والجمع)

يمكن للمستخدمين المبتدئين أو في البيئات التدريبية البسيطة حساب المتوسط المتحرك الموزون باستخدام العمليات الحسابية الأساسية دون اللجوء إلى الدوال المركبة. تعتمد هذه الطريقة على كتابة معادلة صريحة تضرب كل خلية بيانات في الخلية المقابلة لوزنها وتجمع النواتج يدوياً.

بتطبيق هذه الطريقة على نافذة من ثلاث فترات، تُكتب الصيغة المباشرة في الخلية $C4$ كالتالي:

=(B2*$E$2) + (B3*$E$3) + (B4*$E$4)

تضمن الأقواس في هذه المعادلة تطبيق أسبقية العمليات الحسابية بدقة، على الرغم من أن الضرب يسبق الجمع رياضياً، إلا أن استخدام الأقواس يُعد ممارسة احترافية لتفادي أي التباس في قراءة الصيغ المعقدة. وإذا كانت الأوزان غير معيارية، يتم إحاطة التعبير كاملاً بقوسين ثم القسمة على مجموع الأوزان كما يلي: `((B2*$E$2) + (B3*$E$3) + (B4*$E$4)) / ($E$2 + $E$3 + $E$4)`.

تساعد هذه الطريقة المبتدئين على الاستيعاب البصري والرياضي الدقيق لمفهوم الأوزان الموزونة، حيث يرى المستخدم كيف تسهم كل مشاهدة زمنية بنصيب محدد في تكوين القيمة التقديرية النهائية للمتوسط.

5.2 تقييم العيوب التشغيلية للصيغ اليدوية المباشرة

على الرغم من بساطة الصيغ الحسابية المباشرة وسهولة فهمها الأولي، إلا أنها تنطوي على عيوب تشغيلية جسيمة تجعلها غير صالحة للنماذج المهنية أو الأكاديمية الموسعة. العيب الأكبر يكمن في انعدام المرونة عند الحاجة لتغيير حجم النافذة الزمنية؛ فإذا قرر المحلل زيادة فترة المتوسط من 3 إلى 7 فترات، فسيتعين عليه إعادة كتابة الصيغة الطويلة يدوياً وتعديل كافة الأقواس والمراجع وسحبها من جديد على طول الجدول، وهو عمل مستهلك للوقت والجهد.

بالإضافة إلى ذلك، ترتفع احتمالية ارتكاب الأخطاء البشرية (Human Errors) بصورة طردية مع زيادة طول الصيغة المكتوبة يدوياً، مثل نسيان وضع إشارة التثبيت ($) على إحدى خلايا الأوزان، أو النقر على خلية بيانات خاطئة أثناء الكتابة. هذه الأخطاء قد يصعب اكتشافها بالعين المجردة في الجداول الكبيرة، مما يؤدي إلى تضليل التحليلات واستخراج نتائج تنبؤية غير دقيقة.

من الناحية البرمجية، تُعد دالة `SUMPRODUCT` أكثر كفاءة وسرعة في المعالجة الحسابية الداخلية لبرنامج إكسل، خاصة عند التعامل مع سلاسل زمنية تتضمن عشرات الآلاف من السطور، حيث تؤدي الصيغ اليدوية المتعددة إلى إبطاء وقت إعادة الحساب (Workbook Calculation Time) مقارنة بالدوال المصفوفية المصممة خصيصاً لهذا الغرض.

5.3 إنشاء جدول تحليلي تدريجي لحساب الأوزان المجزأة

لأغراض التدقيق المحاسبي والتعليم الإحصائي، يفضل الكثير من الخبراء إنشاء جدول وسيط مجزأ يعرض خطوات الحساب بصورة منفصلة لكل فترة زمنية. في هذا الأسلوب، يتم إنشاء أعمدة إضافية مساعدة؛ يُخصص العمود الأول لناتج ضرب الفترة الأقدم في وزنها (`W1_Component = B2*$E$2`)، والعمود الثاني للفترة الوسيطة (`W2_Component = B3*$E$3`)، والعمود الثالث للفترة الأحدث (`W3_Component = B4*$E$4`).

بعد ذلك، يتم تجميع هذه الأعمدة الثلاثة في عمود إجمالي نهائي باستخدام دالة الجمع البسيطة `=SUM(D4:F4)`. يوفر هذا الهيكل التدريجي رؤية بصرية كاملة لمقدار المساهمة الفعلية لكل فترة زمنية في توليد المتوسط الموزون، مما يسهل رصد أي انحرافات حسابية أو أخطاء في المدخلات على الفور.

يُعد هذا النموذج التدريجي أداة لا تقدر بثمن في إعداد التقارير المالية الموجهة للمدققين الخارجيين أو الجهات التنظيمية، حيث يتيح للجهات الرقابية تتبع مسار العمليات الحسابية خطوة بخطوة والتأكد من مطابقة النمذجة المطبقة للمعايير الإحصائية المعتمدة دون الحاجة لفك تعقيدات الصيغ المدمجة.

6. بناء نماذج متوسطات متحركة موزونة ديناميكية في إكسل

6.1 دمج دالتي OFFSET و INDEX لإنشاء نطاقات متحركة مرنة

في النماذج المتقدمة، يُشترط أن يكون نموذج المتوسط المتحرك قادراً على تغيير حجم النافذة الزمنية تلقائياً دون الحاجة لتعديل يدوي في الصيغ. يمكن تحقيق هذه الديناميكية المتقدمة عن طريق دمج دالة OFFSET مع دالة SUMPRODUCT. تتيح دالة `OFFSET` إنشاء نطاق مرجعي متغير الأبعاد يتحدد استناداً إلى خلية مرجعية، وعدد من الصفوف والأعمدة، وارتفاع محدد يمثل حجم النافذة المطلوب والمشار إليه في خلية تحكم مستقلة.

تأخذ الصيغة الديناميكية باستخدام `OFFSET` النمط التالي لحساب المتوسط الموزون:

=SUMPRODUCT(OFFSET(B4, 0, 0, -$K$1, 1), Dynamic_Weights) / SUM(Dynamic_Weights)

حيث تمثل الخلية `$K$1` عدد الفترات المختارة، ويتحرك النطاق تلقائياً للأعلى بمقدار هذا العدد لجمع المشاهدات السابقة بدقة متناهية.

ومع ذلك، ونظراً لأن دالة `OFFSET` تُصنف كدالة متقلبة (Volatile Function) تعيد حساب نفسها مع أي حركة داخل الملف مما قد يبطئ المصنفات الكبيرة، يفضل الخبراء استخدام دالة INDEX كبديل غير متقلب وأكثر كفاءة لتوليد النطاقات الديناميكية. تُستخدم `INDEX` لتعيين حدود النطاق الرياضي مثل `INDEX(B:B, ROW()-K$1+1):INDEX(B:B, ROW())`، مما يحقق نفس المرونة العالية بأداء فائق وتوفير لموارد المعالجة.

6.2 استخدام أدوات التحقق من صحة البيانات (Data Validation)

للارتقاء بواجهة المستخدم وتحويل ورقة العمل إلى نموذج تحليلي مهني، يمكن توظيف أداة التحقق من صحة البيانات (Data Validation) لإنشاء قوائم منسدلة (Drop-down Lists) تمكن المحلل من اختيار طول النافذة الزمنية (مثلاً: 3، 5، 7 فترات) بضغطة زر واحدة. ترتبط هذه القائمة بخلية تحكم تُحدّث الصيغ الديناميكية فور تغيير الخيار المحدد.

كما تُستخدم أداة التحقق من صحة البيانات أيضاً لحماية جدول الأوزان؛ حيث يتم تطبيق قاعدة تحقق تشترط أن يكون الإدخال في خلايا الأوزان قيماً عشرية موجبة تنحصر بين 0 و1، مع وضع رسالة تنبيه مخصصة تمنع المستخدم من إدخال قيم سالبة أو نصوص قد تعطل المعادلات.

بالإضافة إلى ذلك، يمكن إضافة صيغة تحقق مخصصة في جدول الأوزان تمنع أن يتجاوز مجموع الأوزان الإجمالي 1.0 (أو 100%)، مما يضمن احتفاظ النموذج باتساقه الرياضي والمنطقي، ويمنع المستخدمين غير الخبراء من إفساد توازن النموذج التحليلي أثناء إدخال البيانات.

6.3 تطبيق المصفوفات الديناميكية والدوال الحديثة (Office 365)

وفرت التحديثات الحديثة في بيئة Microsoft 365 حزمة من الدوال الثورية التي اختصرت خطوات بناء المتوسطات الموزونة إلى عمليات حسابية فائقة السلاسة. باستخدام دالة SEQUENCE و LET، يمكن للمحلل بناء مصفوفة الأوزان الخطية التنازلية آلياً داخل الصيغة ذاتها دون الحاجة لوجود جدول أوزان خارجي في ورقة العمل.

تتيح دالة `LET` تعريف متغيرات مؤقتة داخل الصيغة لتحسين الأداء وسهولة القراءة، كأن نكتب صيغة متكاملة تستخرج حجم النافذة وتنشئ سلسلة الأوزان $1, 2, dots, n$ وتقسمها على مجموعها عبر دالة `SEQUENCE`، ثم تطبق عملية الضرب التجميعي في خطوة واحدة مدمجة.

علاوة على ذلك، يمكن للمستخدمين المتقدمين بناء دالة مخصصة خاصة بهم باسم `=WMA(DataRange, Period)` باستخدام دالة LAMBDA وتخزينها في مدير الأسماء (Name Manager). يتيح هذا الابتكار استدعاء المتوسط المتحرك الموزون في أي مكان داخل المصنف تماماً مثل أي دالة قياسية جاهزة في إكسل، مما ينقل النمذجة المالية في المنشأة إلى مستويات متقدمة من الاحترافية والأتمتة.

7. التمثيل البياني والتصور البصري للمتوسط المتحرك الموزون

7.1 إنشاء المخططات الخطية المتعددة (Line Charts)

يُعد التمثيل البصري خطوة لا غنى عنها لتحويل الأرقام الحسابية المجردة إلى رؤى واستنتاجات بصرية واضحة. لإنشاء مخطط بياني احترافي للمتوسط المتحرك الموزون في إكسل، يتم تظليل ثلاثة أعمدة رئيسية: عمود التواريخ، وعمود البيانات الأصلية الخام، وعمود المتوسط المتحرك الموزون المحسوب، ثم التوجه إلى تبويب `إدراج (Insert)` واختيار `مخطط خطي ثنائي الأبعاد (2D Line Chart)`.

لتحقيق أقصى درجات الوضوح والتمييز الإدراكي، يُنصح بتنسيق سلسلة البيانات الأصلية بخط رفيع وبدرجة شفافية متوسطة أو بلون رمادي هادئ لتمثيل الضوضاء والتذبذبات اللحظية، في حين يتم تنسيق منحنى المتوسط المتحرك الموزون بخط أكثر سمكاً وبلون مميز وبارز (مثل الأزرق الداكن أو الأحمر) ليعكس بوضوح الاتجاه العام المستخلص.

يجب ضبط إعدادات محاور الرسم البياني بدقة؛ حيث يُنسق محور السينات الأفقي لعرض التواريخ بفواصل زمنية منتظمة دون تداخل، بينما يُضبط محور الصادات الرأسي ليبدأ من حد أدنى يتناسب مع مدى البيانات لتجنب ضغط المنحنى في مساحة صغيرة، مع تفعيل خطوط الشبكة الرئيسية (Gridlines) وتضمين وسيلة إيضاح واضحة (Legend) لتمييز السلاسل الزمنية المعروضة.

7.2 المقارنة البصرية بين مستويات التمهيد المختلفة

يقدم التحليل البصري المتعدد رؤية استثنائية عند رسم عدة منحنيات لمتوسطات متحركة موزونة بنوافذ مختلفة (مثلاً: WMA-3 فترات، و WMA-7 فترات، و WMA-15 فترة) على المخطط البياني ذاته. يتيح هذا العرض المقارن للمحلل مراقبة التفاعل الديناميكي للمنحنيات عند نقاط الانعطاف الهامة وتغير الاتجاهات في السوق.

توضح المقارنة البصرية كيف يلتصق المنحنى قصير الأجل (3 فترات) بمسار الأسعار الفعلية ويستجيب للقمم والقيعان بسرعة فائقة، بينما يسلك المنحنى طويل الأجل (15 فترة) مساراً أكثر نعومة وتسطيحاً يوضح الاتجاه الأساسي طويل المدى متجاهلاً الحركات العشوائية العابرة. تسمى نقاط تقاطع المنحنى القصير مع المنحنى الطويل في التحليل المالي بنقاط التقاطع الذهبي (Golden Cross) أو نقاط الموت (Death Cross)، وتُستخدم كإشارات فنية لدخول أو خروج الاتجاه.

يساعد هذا العرض البصري المشترك صناع القرار على الموازنة بدقة بين رغبتهم في سرعة رصد الإشارة وتفضيلهم لاستقرار النموذج التنبؤي، واختيار مستوى التمهيد الأنسب لطبيعة الأهداف الاستراتيجية المطروحة.

7.3 إضافة عناصر لوحة التحكم التفاعلية (Interactive Dashboards)

يمكن تحويل مصنف إكسل التقليدي إلى لوحة تحكم تفاعلية متطورة (Interactive Dashboard) عبر دمج عناصر التحكم بالنموذج (Form Controls) المتاحة في تبويب `المطور (Developer)`. من أبرز هذه العناصر استخدام شريط التمرير (Scroll Bar) أو زر التدوير (Spin Button) وربطهما بخلايا التحكم في أوزان الفترات الزمنية.

عند تحريك شريط التمرير بواسطة المستخدم لتغيير وزن الفترة الأحدث من 0.4 إلى 0.7 مثلاً، تقوم صيغ إكسل بإعادة احتساب كامل مصفوفة المتوسطات الموزونة تلقائياً، وتحديث المخطط البياني المرتبط بها بصورة فورية وتفاعلية. تتيح هذه المرونة للمديرين والمحللين محاكاة سيناريوهات متعددة واختبار حساسية المنحنى للمتغيرات في الوقت الفعلي.

بالإضافة إلى الرسم البياني، يمكن تخصيص بطاقات أداء رئيسية (KPI Cards) في أعلى لوحة التحكم تعرض القيم التنبؤية للفترة القادمة، ونسب التغير المتوقعة، ومؤشرات دقة النموذج المحققة، مما يجعل لوحة التحكم أداة دعم قرار تنفيذية تجمع بين العمق الرياضي والأناقة البصرية.

8. التقييم الإحصائي وقياس دقة التنبؤ للنموذج في إكسل

8.1 حساب متوسط الخطأ المطلق (MAE – Mean Absolute Error)

يُمثل التقييم الإحصائي خطوة منهجية ملزمة للتحقق من مدى كفاءة نموذج المتوسط المتحرك الموزون ومطابقته للواقع. يُعد مؤشر متوسط الخطأ المطلق (MAE) أحد أبسط المقاييس وأكثرها موثوقية في قياس متوسط حجم الأخطاء التنبؤية بغض النظر عن اتجاهها الإيجابي أو السلبي. يُحسب خطأ التنبؤ لكل فترة بطرح القيمة التقديرية من القيمة الفعلية: $e_t = X_t – \hat{X}_t$.

تأخذ المعادلة الرياضية لمؤشر MAE الشكل التالي:

$$\text{MAE} = \frac{1}{m} \sum_{t=1}^{m} |X_t – \hat{X}_t|$$

حيث تمثل $m$ عدد الفترات التي تم حساب التنبؤ لها. في برنامج إكسل، يتم إنشاء عمود مخصص لحساب الفروق المطلقة باستخدام دالة القيمة المطلقة `=ABS(Actual – Forecast)`، ثم حساب متوسط هذا العمود كاملاً باستخدام دالة `=AVERAGE()`.

تتميز قيمة MAE بسهولة تفسيرها، حيث تُقرأ بنفس وحدات قياس البيانات الأصلية (ريال، وحدة مباعة، درجة مئوية)، مما يعطي فكرة واضحة ومباشرة عن متوسط المقدار الذي ينحرف به النموذج عن الواقع الفعلي.

8.2 حساب متوسط مربع الأخطاء (MSE – Mean Squared Error)

يُعد مقياس متوسط مربع الأخطاء (MSE) من المعايير الإحصائية المتقدمة التي تكتسب أهمية كبرى في النمذجة الرياضية والتحسين. يقوم هذا المقياس على تربيع قيمة كل خطأ تنبؤي ($e_t^2$) قبل حساب المتوسط، مما يؤدي رياضياً إلى تضخيم ومعاقبة الأخطاء الكبيرة بشكل مضاعف مقارنة بالأخطاء الصغيرة.

تُصاغ معادلة MSE رياضياً كما يلي:

$$\text{MSE} = \frac{1}{m} \sum_{t=1}^{m} (X_t – \hat{X}_t)^2$$

يمكن حساب MSE في إكسل مباشرة باستخدام دالة `=SUMSQ(Errors_Range) / COUNT(Errors_Range)`، أو عبر إنشاء عمود وسيط لتربيع الأخطاء وحساب متوسطه.

ونظراً لأن وحدة قياس MSE تكون مربعة (مثل ريال مربع)، يُلجأ دائماً إلى حساب الجذر التربيعي لمتوسط مربع الأخطاء (RMSE – Root Mean Squared Error) بتطبيق دالة الجذر التربيعي `=SQRT(MSE)`. يعيد RMSE وحدة القياس إلى طبيعتها الأصلية، ويظل حساساً للغاية للأخطاء الاستثنائية والقفزات غير المتوقعة، مما يجعله معياراً حاسماً للمفاضلة بين النماذج التنبؤية المختلفة.

8.3 حساب النسبة المئوية لمتوسط الخطأ المطلق (MAPE)

يُعتبر مؤشر النسبة المئوية لمتوسط الخطأ المطلق (MAPE) المعيار الذهبي الأكثر استخداماً في مقارنة دقة النماذج التنبؤية عبر مجموعات بيانات مختلفة ومتباينة في الحجم أو العملة، حيث يحسب حجم الخطأ كنسبة مئوية من القيمة الفعلية المستهدفة.

تأخذ المعادلة الرياضية لمؤشر MAPE الصيغة التالية:

$$\text{MAPE} = \left( \frac{1}{m} \sum_{t=1}^{m} left| \frac{X_t – \hat{X}_t}{X_t} right| \right) \times 100%$$

في إكسل، يتم بناء صيغة مخصصة لحساب الانحراف النسبي لكل فترة: `=ABS((Actual – Forecast) / Actual)`، ثم تُجمع هذه النسب وتُقسم على عدد الفترات باستخدام دالة `AVERAGE`، مع تنسيق الخلية الناتجة كنسبة مئوية (Percentage).

توفر الأدبيات الإحصائية معايير واضحة للحكم على جودة النموذج استناداً إلى قيمة MAPE؛ فالقيم الأقل من 10% تشير إلى نموذج تنبؤ عالي الدقة (Highly Accurate)، بينما تشير القيم بين 10% و 20% إلى تنبؤ جيد ومقبول، في حين تدل القيم التي تتجاوز 50% على نموذج غير دقيق ويجب إعادة النظر في معلمات أوزانه أو اختيار نموذج بديل.

9. تحسين الأوزان آلياً باستخدام أداة الحلال (Excel Solver)

9.1 مفهوم التحسين المقيد لمصفوفة الأوزان

بدلاً من الاعتماد على التخمين الشخصي أو التوزيع الخطي النظري في تحديد الأوزان، يتيح برنامج إكسل إمكانية استخراج مصفوفة الأوزان المثلى رياضياً باستخدام تقنيات التحسين المقيد (Constrained Optimization). تهدف هذه العملية إلى إيجاد التوليفة الرياضية الدقيقة من الأوزان التي تحقق أقل نسبة خطأ تنبؤ ممكنة على البيانات التاريخية المتاحة.

ترتكز عملية التحسين الرياضي على ثلاثة أركان رئيسية: خلية الهدف (Objective Function) التي نسعى لتصغير قيمتها إلى الحد الأدنى (مثل خلية حساب مقياس MSE أو MAPE)، والمتغيرات القابلة للتغيير (Decision Variables) وهي خلايا مصفوفة الأوزان ($w_1, w_2, dots, w_n$)، والقيود الرياضية (Constraints) التي تضمن واقعية الحل.

تتمثل القيود الرياضية الأساسية في شرطين لا غنى عنهما: أولاً، أن يكون مجموع خلايا الأوزان مساوياً تماماً للرقم 1 الصحيح ($\sum w_i = 1$). ثانياً، قيد عدم السلبية الذي يشترط أن تكون جميع الأوزان أكبر من أو تساوي الصفر ($w_i ge 0$) لمنع النماذج الرياضية من توليد أوزان سالبة وهمية لا تتفق مع المنطق الإحصائي للمتوسطات التمهيدية.

9.2 خطوات ضبط وتشغيل أداة Solver

للوصول إلى أداة التحسين، يجب التأكد أولاً من تفعيل إضافة Solver في إكسل من خلال الذهاب إلى: `ملف (File) > خيارات (Options) > الوظائف الإضافية (Add-ins)`، ثم اختيار `Excel Add-ins` والضغط على `انتقال (Go)`، وتحديد خيار `Solver Add-in` والضغط على موافق، لتظهر الأداة في أقصى يمين تبويب `بيانات (Data)`.

بعد فتح نافذة معلمات أداة Solver، يتم ضبط الإعدادات بدقة عبر الخطوات التالية:

• Set Objective (تعيين الهدف): نحدد الخلية التي تحتوي على مؤشر الخطأ الإحصائي، مثل خلية مقياس MSE (ولتكن `$G$20`).
• To (الغاية): نختار زر `Min (الحد الأدنى)` لتوجيه الأداة نحو تصغير الخطأ.
• By Changing Variable Cells (عبر تغيير الخلايا المتغيرة): نحدد نطاق خلايا الأوزان النسبية (مثل `$E$2:$E$4`).
• Subject to the Constraints (القيود): نضغط على زر `Add` لإضافة قيدين: الأول `$E$5 = 1` (حيث $E$5 هي خلية مجموع الأوزان)، والثاني `$E$2:$E$4 >= 0`.
• Select a Solving Method (طريقة الحل): نختار خوارزمية `GRG Nonlinear` المناسبة لمعادلات المربعات والنسب غير الخطية.

بعد اكتمال الضبط، نضغط على زر `Solve`؛ لتقوم الخوارزمية بمئات التكرارات الحسابية وتعديل الأوزان تدريجياً حتى تصل إلى الحل الأمثل رياضياً وتثبته داخل الخلايا.

9.3 تحليل واستخدام نتائج التحسين الرياضي

بمجرد انتهاء أداة Solver من إيجاد الحل، تظهر نافذة تقرير النتائج التي تتيح إما قبول التعديلات وتثبيتها أو الرجوع للقيم الأصلية. عند فحص الأوزان المحسنة الجديدة، يلاحظ المحلل انخفاضاً ملموساً في مقاييس الأخطاء الكلية مقارنة بنماذج الأوزان التقديرية، مما يعزز الثقة الإحصائية في التنبؤات المستخرجة.

ومع ذلك، يجب ممارسة الحس النقدي الإحصائي عند تحليل مخرجات Solver لتفادي ظاهرة فرط التخصيص (Overfitting)؛ وهي الحالة التي تقوم فيها الخوارزمية بتوليد أوزان تتطابق بشكل مفرط مع عينة البيانات التاريخية المعطاة بما تحتويه من ضوضاء عشوائية، ولكنها تفشل تماماً عند تطبيقها على بيانات مستقبلية جديدة خارج العينة. إذا أسفر التحسين عن وزن 0.99 لفترة ما و 0.01 لفترات أخرى بصورة غير منطقية، يجب إعادة النظر في حجم النافذة أو فرض قيود إضافية لتوزيع الأوزان بتوازن.

يمكن حفظ توليفات الأوزان المختلفة ومقارنتها عبر أداة إدارة السيناريوهات (Scenario Manager) في إكسل، مما يتيح التبديل السلس بين سيناريو “الأوزان المحسنة”، وسيناريو “الأوزان الخطية”، وسيناريو “الأوزان المتساوية” لدراسة أثر كل منها على القرارات التشغيلية والاستراتيجية.

10. المقارنة المنهجية: المتوسط الموزون (WMA) مقابل البسيط (SMA) والأسّي (EMA)

10.1 المتوسط المتحرك الموزون مقابل المتوسط المتحرك البسيط (SMA)

يرتكز الاختلاف الرئيسي بين المتوسط المتحرك الموزون (WMA) والمتوسط المتحرك البسيط (SMA) على فلسفة توزيع الثقل الإحصائي عبر الزمن. يمنح المتوسط البسيط جميع البيانات وزناً متساوياً مقداره $1/n$، مما يجعله نموذجاً بطيئاً في الاستجابة للصدمات السعرية والتحولات الهيكلية المفاجئة. تظهر هذه المشكلة بوضوح عند حدوث تغير حاد في الاتجاه؛ حيث يظل المتوسط البسيط مقيداً ببيانات قديمة لم تعد تعبر عن الواقع الجديد.

علاوة على ذلك، يعاني المتوسط البسيط مما يُعرف إحصائياً بـ “صدمة الخروج المزدوجة” (Drop-off Effect)؛ حيث يتأثر المتوسط مرتين عند حدوث طفرة سعرية: المرة الأولى عند دخول النقطة الشاذة للنافذة، والمرة الثانية عند خروج تلك النقطة من النافذة بعد انقضاء $n$ فترة، مما يسبب تذبذباً وهمياً في المنحنى لا يقابله أي حدث حقيقي في تلك اللحظة.

في المقابل، يتفادى المتوسط الموزون هذا الخلل بفضل التناقص التدريجي للأوزان؛ فالبيانات القديمة تفقد تأثيرها تدريجياً وبسلاسة قبل خروجها من النافذة، مما يجعل خط المتوسط الموزون أكثر سلاسة وأسرع استجابة وأكثر تعبيراً عن الاتجاه الحقيقي للسوق مقارنة بنظيره البسيط.

10.2 المتوسط المتحرك الموزون مقابل المتوسط المتحرك الأسّي (EMA)

يمثل المتوسط المتحرك الأسّي (Exponential Moving Average – EMA) بديلاً متقدماً يختلف عن WMA في طريقة توزيع الأوزان وطبيعة النافذة الزمنية. في حين يستخدم WMA نافذة زمنية محدودة ونهائية ($n$ فترات) تنقطع بعدها البيانات الأقدم تماماً، يمتلك EMA نافذة زمنية لا نهائية من الناحية النظرية؛ حيث تتناقص أوزان المشاهدات التاريخية بشكل أُسّي مستمر مع الزمن دون أن تصل إلى الصفر المطلق أبداً.

يُحسب EMA في إكسل باستخدام معامل تمهيد محدد $\alpha = \frac{2}{n + 1}$ وفق الصيغة التكرارية:

$$\text{EMA}_t = \alpha \cdot X_t + (1 – \alpha) \cdot \text{EMA}_{t-1}$$

تتميز صيغة EMA بالبساطة الحسابية عند تطبيقها برمجياً لكونها تتطلب فقط القيمة الحالية وقيمة المتوسط السابق، دون الحاجة للاحتفاظ بمصفوفة كاملة من البيانات السابقة كما هو الحال في WMA.

يُفضل استخدام المتوسط المتحرك الموزون (WMA) عندما يرغب الباحث في فرض نموذج أوزان صارم أو مخصص يعكس دورة أعمال محددة تنتهي تماماً بعد فترة معينة، بينما يُفضل المتوسط الأسّي (EMA) في التحليلات المالية طويلة المدى وخوارزميات التداول المؤتمتة التي تتطلب استمرارية سلسة لحساب المتوسط عبر آلاف الفترات الزمنية المتتالية.

10.3 جدول مفاضلة شامل لاختيار الأداة المثلى في إكسل

لتسهيل عملية الاختيار المنهجي بين هذه الأدوات الإحصائية التمهيدية في بيئة عمل إكسل، يوضح الجدول التفصيلي التالي مقارنة شاملة بين النماذج الثلاثة الرئيسية من حيث الخصائص الرياضية، وسهولة التطبيق، وملاءمة البيانات:

معيار المقارنة	المتوسط المتحرك البسيط (SMA)	المتوسط المتحرك الموزون (WMA)	المتوسط المتحرك الأسّي (EMA)
توزيع الأوزان	متساوٍ تماماً لكافة الفترات ($1/n$)	تنازلي خطي أو مخصص محدد النافذة	تنازلي أسّي يمتد لكافة البيانات السابقة
سرعة الاستجابة للصدمات	بطيئة ومنخفضة الحساسية	عالية جداً ومركزة على البيانات الحديثة	فائقة السرعة ومستمرة التفاعل
ظاهرة التأخر الزمني (Lag)	كبيرة وملحوظة جداً	متوسطة إلى منخفضة	منخفضة نسبياً
سهولة التطبيق في إكسل	فائقة السهولة (`AVERAGE`)	متوسطة (`SUMPRODUCT` ومراجع ثابتة)	تتطلب معادلة تكرارية ومعامل Alpha
أفضل حالات الاستخدام	السلاسل المستقرة والتحليلات طويلة المدى	الطلب قصير الأجل والتغيرات السلوكية	الأسواق المالية والتحليل الفني اللحظي

تساعد هذه المقارنة المنظومية الباحثين على تحديد الأداة الرياضية الأكثر ملاءمة لطبيعة السلسلة الزمنية الخاضعة للدراسة، مع إمكانية الدمج بين أكثر من نموذج لتشكيل مؤشرات مركبة تدعم اتخاذ القرارات المعقدة في المؤسسات.

11. تطبيقات وحالات دراسية عملية خطوة بخطوة في إكسل

11.1 حالة عملية 1: تنبؤ مبيعات ربع سنوية لشركة تجارية

في هذه الحالة العملية التطبيقية، ندرس بيانات مبيعات ربع سنوية مسجلة لشركة تجارية على مدار 10 فترات متتالية (من الربع الأول للعام الأول حتى الربع الثاني للعام الثالث). البيانات الفعلية بالآلاف مرتبة في العمود $B$ كالتالي: (الفترة 1: 120، الفترة 2: 135، الفترة 3: 128، الفترة 4: 145، الفترة 5: 152، الفترة 6: 160، الفترة 7: 158، الفترة 8: 170، الفترة 9: 185، الفترة 10: 192).

تم تحديد نافذة تمهيد من 3 فترات، مع اعتماد مصفوفة أوزان تنازلية تعطي وزناً قدره 0.5 للفترة الحالية الأحدث ($t$)، و 0.3 للفترة السابقة ($t-1$)، و 0.2 للفترة الأقدم ($t-2$). تم وضع هذه الأوزان في الخلايا `$E$2:$E$4`. لحساب المتوسط الموزون للفترة الرابعة، نكتب في الخلية $C5$ الصيغة التالية:

=SUMPRODUCT(B3:B5, $E$2:$E$4)

ينتج عن هذه المعادلة: $(135 \times 0.2) + (128 \times 0.3) + (145 \times 0.5) = 27 + 38.4 + 72.5 = 137.9$ ألف وحدة. عند سحب الصيغة حتى نهاية السلسلة، نلاحظ أن التنبؤات تتدرج بنعومة نحو الأعلى مستجيبة للنمو المستمر في المبيعات دون أن تتأثر بشكل حاد بالانخفاض المؤقت في الفترة الثالثة، مما يعطي الشركة تقديراً موثوقاً لحجم الإنتاج المطلوب للفترة الحادية عشرة بقيمة تقديرية تبلغ 188.9 ألف وحدة.

11.2 حالة عملية 2: تتبع وتقييم المؤشرات السلوكية والنفسية المتغيرة

في دراسة نفسية تطبيقية لقياس مستويات الإجهاد والتوتر المهني لدى موظفي أحد القطاعات الحيوية، تم تسجيل مؤشر التوتر الأسبوعي (على مقياس من 1 إلى 100) لعينة من الموظفين على مدار 12 أسبوعاً. تتسم البيانات النفسية بالحساسية الشديدة للظروف الطارئة؛ حيث يمكن لحدث عابر في يوم القياس أن يرفع المؤشر بصورة مؤقتة دون أن يعبر ذلك عن احتراق وظيفي حقيقي مستمر.

تم تطبيق نموذج متوسط متحرك موزون خماسي ($n=5$) بأوزان خطية معيرة: (0.067، 0.133، 0.200، 0.267، 0.333) للفترات من الأقدم إلى الأحدث على التوالي. تضمن هذه الأوزان منح الثقل الأكبر للحالة المزاجية الأحدث للموظف مع ربطها بالسياق النفسي للشهر السابق كاملاً.

أظهرت نتائج التحليل في إكسل قدرة النموذج على عزل القفزات اللحظية الناتجة عن ضغوط العمل المؤقتة في أسبوع محدد، وإبراز المسار التراكمي للإجهاد؛ حيث أتاح لإدارة الموارد البشرية التدخل المبكر لدعم الموظفين الذين أظهر خط المتوسط الموزون لديهم اتجاهاً تصاعدياً مستمراً لثلاثة أسابيع متتالية، مما يثبت الفائدة التطبيقية الجليلة للنموذج في العلوم السلوكية وإدارة الموارد البشرية.

11.3 حالة عملية 3: مراقبة الجودة وضبط العمليات التشغيلية

تعتمد هندسة الجودة والرقابة الإحصائية على العمليات (Statistical Process Control – SPC) على المتوسطات المتحركة الموزونة لاكتشاف الانحرافات الدقيقة في خطوط الإنتاج قبل وصولها إلى مستويات العيوب الحرجة. في مصنع لإنتاج الدوائر الإلكترونية، يتم قياس نسبة العيوب المئوية في خط التجميع كل ساعة عمل على مدار وردية كاملة من 16 ساعة.

تم تصميم نموذج WMA لثلاث ساعات بأوزان (0.2، 0.3، 0.5) لحساب خط العمليات المتوسط ($CL$). واستناداً إلى الانحراف المعياري للعملية ($\sigma$)، تم حساب حد الرقابة الأعلى ($UCL = \text{WMA} + 3\sigma$) وحد الرقابة الأدنى ($LCL = \text{WMA} – 3\sigma$) آلياً داخل إكسل لكل فترة زمنية.

بفضل استخدام المتوسط الموزون بدلاً من القيم اللحظية، نجح النظام في تجنب الإنذارات الكاذبة الناتجة عن عيب فردي عابر، وفي الوقت نفسه أصدر تنبيهاً تشغيلياً دقيقاً في الساعة الثانية عشرة عندما بدأ المتوسط الموزون يقترب باطراد من حد الرقابة الأعلى نتيجة تآكل تدريجي في أحد رؤوس اللحام الآلية، مما أتاح للفريق الفني إجراء الصيانة الوقائية الفورية وتفادي خسائر تشغيلية فادحة.

12. استكشاف الأخطاء الشائعة، التدقيق، وأفضل الممارسات

12.1 الأخطاء الحسابية والتقنية الشائعة في إكسل

أثناء بناء وتطبيق نماذج المتوسطات المتحركة الموزونة في إكسل، يقع الكثير من المستخدمين في أخطاء منهجية وتقنية قد تعطل النتائج بالكامل. الخطأ الأكثر شيوعاً هو عدم تثبيت مراجع الأوزان المطلقة باستخدام علامة الدولار (`$`). عند كتابة الصيغة كمرجع نسبي مثل `=SUMPRODUCT(B2:B4, E2:E4)` وسحبها لأسفل، ينزلق نطاق الأوزان تدريجياً ليشير إلى خلايا فارغة أو نصوص، مما يؤدي إلى ظهور أخطاء حسابية متتالية.

الخطأ الجسيم الآخر يتمثل في عكس ترتيب مصفوفة الأوزان دون قصد. يحدث ذلك عندما يضع المستخدم وزن الفترة الأحدث في أعلى جدول الأوزان المقابل للفترة الأقدم في نافذة البيانات؛ مما يؤدي رياضياً إلى إعطاء الثقل الأكبر للبيانات القديمة والثقل الأصغر للبيانات الحديثة، وهو ما يناقض تماماً الفلسفة الإحصائية للمتوسط المتحرك الموزون ويزيد من التأخر الزمني بدلاً من تقليصه.

بالإضافة إلى ذلك، يقع البعض في خطأ حساب المتوسط للفترات الأولى التي لا يتوفر لها عدد كافٍ من البيانات التاريخية لتغطية حجم النافذة (مثل كتابة صيغة نافذة خماسية في السطر الثالث). يؤدي هذا التصرف إلى دمج فراغات أو عناوين الجداول في المعادلة وظهور خطأ `#VALUE!`، والصواب هو ترك هذه الصفوف الأولى فارغة تماماً حتى تكتمل نقاط البيانات المطلوبة للنافذة.

12.2 أدوات التدقيق وتتبع المعادلات (Formula Auditing)

يوفر برنامج إكسل حزمة متكاملة من أدوات تدقيق الصيغ المتاحة في تبويب `صيغ (Formulas)` التي تضمن أعلى درجات السلامة الحسابية للنماذج المنشأة. تُعد أداة تتبع السوابق (Trace Precedents) الأداة الأساسية للتحقق البصري؛ حيث تُرسم أسهم زرقاء توضح الخلايا التي تغذي معادلة المتوسط الموزون، مما يتيح للمحلل التأكد الفوري من أن نافذة البيانات ونطاق الأوزان يشيران إلى المواقع الصحيحة تماماً.

كما توفر أداة تقييم الصيغة (Evaluate Formula) إمكانية استعراض خطوات المعالجة الحسابية الداخلية خطوة بخطوة؛ حيث تتيح للمستخدم مراقبة ناتج ضرب كل مصفوفة وجمعها داخل دالة `SUMPRODUCT` قبل استخراج الناتج النهائي، وهي وسيلة تعليمية وتشخيصية فائقة الدقة لمعالجة الأخطاء المعقدة.

ولضمان الأمان والتدقيق المستمر، يُنصح ببناء خلية فحص منطقي تلقائية باستخدام دالة الشرط: `=IF(ABS(SUM(Weights)-1) < 0.0001, "OK", "ERROR: Weights != 1")`. تضمن هذه الصيغة مراقبة مجموع الأوزان باستمرار وتنبيه المستخدم فوراً في حال حدوث أي تعديل خاطئ على نسب التوزيع.

12.3 أفضل الممارسات لتصميم نماذج مالية وتحليلية مستدامة

يتطلب بناء النماذج التحليلية الاحترافية القابلة للتطوير وإعادة الاستخدام اتباع مجموعة من أفضل الممارسات المنهجية (Best Practices). أولى هذه القواعد هي الفصل الهيكلي الواضح بين مدخلات البيانات الخام (Inputs)، والعمليات الحسابية والمعادلات (Calculations)، ومخرجات التقارير والمخططات البيانية (Outputs). يمكن تحقيق ذلك إما من خلال تخصيص أوراق عمل منفصلة لكل جزء أو عبر تقسيم ورقة العمل إلى كتل لونية متناسقة ومعرّفة بوضوح.

تقتضي الممارسات الاحترافية أيضاً تجنب تضمين القيم الرقمية الثابتة (Hardcoding) داخل المعادلات الرياضية مباشرة (مثل كتابة `* 0.5` داخل الصيغة)؛ بل يجب دائماً إحالة كل رقم إلى خلية إدخال مخصصة ومعنونة في قسم المعلمات، مما يتيح تحديث النموذج مستقبلاً بتعديل خلية واحدة دون المساس بتركيب الصيغ الحسابية.

أخيراً، يجب توثيق الافتراضات الرياضية ومبررات اختيار الأوزان والنوافذ في خلايا تعليق مخصصة، مع قفل وحماية الخلايا التي تحتوي على الصيغ الرئيسية (Lock Cells) لحمايتها من التعديل غير المقصود، وحفظ المصنف بصيغة متوافقة وقياسية (مثل `.xlsx` أو `.xlsm` في حال استخدام الماكرو)، لضمان استدامة النموذج وكفاءة عمله عبر مختلف إصدارات إكسل وبيئات العمل المؤسسية.

خاتمة

يُمثل المتوسط المتحرك الموزون (WMA) أداة تمهيد وتنبؤ استثنائية تجمع بين البساطة الهيكلية والقوة الرياضية؛ إذ يتيح للمحللين والباحثين تجاوز القيود الكلاسيكية للمتوسطات البسيطة والاستجابة الفعالة لديناميكيات السلاسل الزمنية المتسارعة. من خلال توظيف أدوات برنامج مايكروسوفت إكسل المتقدمة—بدءاً من دالة `SUMPRODUCT` البسيطة، مروراً بالنطاقات الديناميكية عبر `OFFSET` و `INDEX`، وصولاً إلى التحسين الآلي عبر `Solver` والتمثيل التفاعلي في لوحات التحكم—يستطيع المستخدم بناء نماذج تنبؤية فائقة الدقة تدعم اتخاذ القرارات الاستراتيجية في مختلف المجالات المالية، والتجارية، والسلوكية، والصناعية بكفاءة واقتدار.

References

• Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118619193
• Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/
• Microsoft Corporation. (2023). SUMPRODUCT function in Microsoft Excel. Microsoft Support. https://support.microsoft.com/ar-sa/office/sumproduct-%D8%A7%D9%84%D8%AF%D8%A7%D9%84%D8%A9-sumproduct-167b1e24-a16c-43f1-8046-e91873e31bb6
• Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (2nd ed.). John Wiley & Sons.
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-Handbook of statistical methods: Moving average smoothing. U.S. Department of Commerce. https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc42.htm
• Winston, W. L. (2019). Microsoft Excel 2019 data analysis and business modeling (6th ed.). Microsoft Press.