DOI: https://doi.org/10.70470/edraak/2025/004
تاريخ النشر: 2025-01-24
المؤلف: Mostafa Abotaleb وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تستكشف هذه الدراسة استخدام الشبكات العصبية التلافيفية (CNNs) للتنبؤ باتجاهات التضخم في مصر، مع معالجة قيود النماذج الاقتصادية التقليدية مثل ARIMA و VAR في التقاط الاعتماديات الزمنية المعقدة وغير الخطية في بيانات السلاسل الزمنية الاقتصادية. باستخدام بيانات التضخم التاريخية من 1960 إلى 2023، تم تطوير نموذج CNN من خلال منهجية تضمنت معالجة البيانات، واستخراج الميزات عبر الطبقات التلافيفية، والتنبؤات التي تمت من خلال الطبقات المتصلة بالكامل، المحسّنة باستخدام مُحسّن آدم. أظهر النموذج مقاييس أداء قوية، محققًا خطأ الجذر التربيعي المتوسط (RMSE) قدره 9.2113 ومعامل التحديد (R²) قدره 0.8911، مما يدل على دقة تنبؤية عالية وقدرة على تفسير جزء كبير من التباين في اتجاهات التضخم.
تشير النتائج إلى زيادة مطردة في معدلات التضخم في مصر من 12.45% في 2024 إلى 16.35% بحلول 2030، مع توسيع فترات الثقة مما يعكس زيادة عدم اليقين على مدى التوقع. يدعم استخراج النموذج الفعال للميزات الزمنية والحد الأدنى من الإفراط في التخصيص، كما يتضح من منحنيات خسارة التدريب والتحقق، موثوقيته. تستنتج الدراسة أن الشبكات العصبية التلافيفية توفر إطارًا متفوقًا لتنبؤ التضخم مقارنة بالطرق التقليدية، موصية بدمجها مع مؤشرات اقتصادية إضافية ونماذج هجينة لتعزيز الدقة التنبؤية. تسهم هذه الأبحاث في تقديم رؤى قيمة لصانعي السياسات والباحثين في مجال التنبؤ الاقتصادي، خاصة في البيئات المتقلبة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية التنبؤ بالتضخم في التخطيط الاقتصادي وصنع السياسات، حيث يؤثر على السياسة النقدية واستراتيجيات الاستثمار. تُستخدم النماذج الاقتصادية التقليدية، مثل ARIMA و VAR، عادةً في التنبؤ بالسلاسل الزمنية ولكنها غالبًا ما تفشل في التقاط الأنماط المعقدة وغير الخطية الكامنة في البيانات الاقتصادية، خاصةً في ظل ظروف السوق المتقلبة. في المقابل، أظهرت تقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا في نمذجة الاعتماديات الزمنية المعقدة واستخراج الميزات ذات الصلة من البيانات المتسلسلة بشكل فعال.
تستكشف هذه الدراسة بشكل خاص تطبيق الشبكات العصبية التلافيفية في التنبؤ بالتضخم في مصر، بهدف تعزيز دقة التنبؤ من خلال الاستفادة من قدرتها على نمذجة العلاقات غير الخطية في بيانات التضخم التاريخية. يتم تقييم النموذج القائم على CNN مقابل طرق التنبؤ التقليدية باستخدام مجموعة بيانات شاملة تمتد على عدة عقود. تشير النتائج الأولية إلى أن الشبكات العصبية التلافيفية يمكن أن تتفوق على النماذج التقليدية، مما يوفر إطارًا قويًا للبحوث المستقبلية في التنبؤ بالسلاسل الزمنية الاقتصادية. تسهم هذه الأبحاث في الأدبيات المتزايدة حول تطبيقات التعلم العميق في الاقتصاد، مما يبرز الإمكانات التحويلية للشبكات العصبية التلافيفية في مواجهة تحديات التنبؤ المعقدة.
الطرق
تستخدم منهجية هذه الدراسة الشبكات العصبية التلافيفية (CNNs) للتنبؤ بالسلاسل الزمنية، مستهدفةً بشكل خاص التنبؤ بالتضخم في مصر من 1960 إلى 2023. تبدأ الطريقة بمعالجة البيانات، بما في ذلك التطبيع والتعامل مع القيم المفقودة، تليها تنفيذ بنية CNN مصممة لالتقاط الأنماط الزمنية في البيانات الاقتصادية. يتضمن النموذج طبقات تلافيفية للتعرف على الأنماط المحلية، وطبقات تجميع لتقليل الأبعاد ومكافحة الإفراط في التخصيص، وطبقات متصلة بالكامل لربط الميزات بالتنبؤات الناتجة. تُستخدم دوال التنشيط مثل ReLU لإدخال عدم الخطية، بينما يُعزز مُحسّن آدم التقارب أثناء التدريب. تهدف هذه المنهجية المنظمة إلى تجاوز النماذج الاقتصادية التقليدية من خلال توفير إطار قائم على البيانات للتنبؤ بدقة باتجاهات التضخم.
تتكون مجموعة البيانات، المستمدة من البنك الدولي، من بيانات التضخم التاريخية المقاسة كتغير سنوي في مؤشر أسعار المستهلكين (CPI). تكشف التحليلات عن اتجاهات تضخمية كبيرة، بما في ذلك فترات من الاستقرار والتقلب تأثرت بالسياسات المحلية والظروف الاقتصادية العالمية. تشمل بنية نموذج CNN طبقات تلافيفية وتجميع وطبقات متصلة بالكامل، مع إجمالي 13,093 معلمة قابلة للتدريب، مصممة لالتقاط العلاقات المعقدة وغير الخطية الكامنة في سلسلة التضخم الزمنية. تشير مقاييس الأداء إلى دقة تنبؤية عالية، مع قيم خطأ الجذر التربيعي المتوسط (RMSE) قدرها 8.7734 لبيانات التدريب و9.2113 لبيانات الاختبار، إلى جانب معامل التحديد (R²) قدره 0.9104 للتدريب و0.8911 للاختبار، مما يظهر قوة النموذج وقابليته للتعميم. يتنبأ النموذج بزيادة مطردة في معدلات التضخم من 2024 إلى 2030، مما يبرز أهمية استراتيجيات اقتصادية استباقية للتخفيف من الضغوط التضخمية.
المناقشة
تسلط المناقشة الضوء على التطبيق المتزايد للشبكات العصبية التلافيفية (CNNs) في التنبؤ بالسلاسل الزمنية، خاصة في السياقات الاقتصادية مثل التنبؤ بالتضخم. أظهرت دراسات مختلفة فعالية الشبكات العصبية التلافيفية في نمذجة العلاقات المعقدة وغير الخطية ضمن البيانات المتسلسلة، مما يبرز قوتها عبر مجالات مختلفة، بما في ذلك استهلاك الطاقة والأسواق المالية. من الجدير بالذكر أن البحث يشير إلى أن الشبكات العصبية التلافيفية يمكن أن تتفوق على النماذج الاقتصادية التقليدية من خلال التقاط الاعتماديات طويلة الأجل وتقليل أخطاء التنبؤ من خلال تقنيات استخراج الميزات المتقدمة.
في سياق التنبؤ باتجاهات التضخم في مصر، حقق النموذج المقترح من CNN مقاييس أداء مثيرة للإعجاب، بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE) قدره 9.2113 ونسبة الخطأ المطلق المتوسط (MAPE) قدرها 11.9853%. يشير معامل التحديد (R²) للنموذج البالغ 0.8911 إلى قدرته على تفسير جزء كبير من التباين في بيانات التضخم. تشير النتائج إلى زيادة مطردة في معدلات التضخم من 12.45% في 2024 إلى 16.35% بحلول 2030، مع توسيع فترات الثقة مما يدل على عدم اليقين الكامن في التنبؤ الاقتصادي على المدى الطويل. توصي الدراسة بأن يأخذ صانعو السياسات والمؤسسات المالية في الاعتبار دمج النماذج القائمة على CNN في استراتيجيات التنبؤ الخاصة بهم، خاصة في البيئات الاقتصادية المتقلبة، للاستفادة من قوتها في التقاط الأنماط غير الخطية والاعتماديات الزمنية.
DOI: https://doi.org/10.70470/edraak/2025/004
Publication Date: 2025-01-24
Author(s): Mostafa Abotaleb et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study explores the use of Convolutional Neural Networks (CNNs) for forecasting inflation trends in Egypt, addressing the limitations of traditional econometric models like ARIMA and VAR in capturing complex, non-linear temporal dependencies in economic time series data. Utilizing historical inflation data from 1960 to 2023, the CNN model was developed through a methodology that included data preprocessing, feature extraction via convolutional layers, and predictions made through fully connected layers, optimized with the Adam optimizer. The model demonstrated robust performance metrics, achieving a Root Mean Squared Error (RMSE) of 9.2113 and a Coefficient of Determination (R²) of 0.8911, indicating high predictive accuracy and the ability to explain a significant portion of variance in inflation trends.
The findings suggest a steady increase in inflation rates in Egypt from 12.45% in 2024 to 16.35% by 2030, with widening confidence intervals reflecting increased uncertainty over the forecast horizon. The model’s effective extraction of temporal features and minimal overfitting, as evidenced by the training and validation loss curves, further supports its reliability. The study concludes that CNNs provide a superior framework for inflation forecasting compared to traditional methods, recommending their integration with additional economic indicators and hybrid models to enhance predictive accuracy. This research contributes valuable insights for policymakers and researchers in the field of economic forecasting, particularly in volatile environments.
Introduction
The introduction of this research paper emphasizes the significance of inflation forecasting in economic planning and policy-making, as it influences monetary policy and investment strategies. Traditional econometric models, such as ARIMA and VAR, are commonly employed for time series forecasting but often fail to capture the complex, non-linear patterns inherent in economic data, especially under volatile market conditions. In contrast, deep learning techniques, particularly Convolutional Neural Networks (CNNs), have shown promise in effectively modeling intricate temporal dependencies and extracting relevant features from sequential data.
This study specifically investigates the application of CNNs for inflation forecasting in Egypt, aiming to enhance prediction accuracy by leveraging their capability to model non-linear relationships in historical inflation data. The proposed CNN-based model is evaluated against traditional forecasting methods using an extensive dataset spanning several decades. Preliminary results indicate that CNNs can outperform conventional models, thus providing a robust framework for future research in economic time series forecasting. This research contributes to the expanding literature on deep learning applications in economics, underscoring the transformative potential of CNNs in tackling complex forecasting challenges.
Methods
The methodology of this research employs Convolutional Neural Networks (CNNs) for time series forecasting, specifically targeting inflation prediction in Egypt from 1960 to 2023. The approach begins with data preprocessing, including normalization and handling missing values, followed by the implementation of a CNN architecture designed to capture temporal patterns in economic data. The model features convolutional layers for local pattern recognition, pooling layers to reduce dimensionality and combat overfitting, and fully connected layers to map features to output predictions. Activation functions like ReLU are utilized to introduce non-linearity, while the Adam optimizer enhances convergence during training. This structured methodology aims to surpass traditional econometric models by providing a data-driven framework for accurately forecasting inflation trends.
The dataset, sourced from the World Bank, comprises historical inflation data measured as the annual percentage change in the Consumer Price Index (CPI). The analysis reveals significant inflationary trends, including periods of stability and volatility influenced by domestic policies and global economic conditions. The CNN model architecture includes convolutional, pooling, and fully connected layers, with a total of 13,093 trainable parameters, designed to effectively capture the complex, non-linear relationships inherent in inflation time series. Performance metrics indicate high predictive accuracy, with Root Mean Squared Error (RMSE) values of 8.7734 for training and 9.2113 for testing data, alongside a Coefficient of Determination (R²) of 0.9104 for training and 0.8911 for testing, demonstrating the model’s robustness and generalizability. The model forecasts a steady increase in inflation rates from 2024 to 2030, highlighting the importance of proactive economic strategies to mitigate inflationary pressures.
Discussion
The discussion highlights the growing application of Convolutional Neural Networks (CNNs) in time series forecasting, particularly in economic contexts such as inflation prediction. Various studies have demonstrated the effectiveness of CNNs in modeling complex, non-linear relationships within sequential data, showcasing their robustness across different domains, including energy consumption and financial markets. Notably, the research indicates that CNNs can outperform traditional econometric models by capturing long-term dependencies and reducing prediction errors through advanced feature extraction techniques.
In the context of forecasting inflation trends in Egypt, the proposed CNN model achieved impressive performance metrics, including a Root Mean Squared Error (RMSE) of 9.2113 and a Mean Absolute Percentage Error (MAPE) of 11.9853%. The model’s Coefficient of Determination (R²) of 0.8911 signifies its capability to explain a substantial portion of the variance in inflation data. The findings suggest a steady increase in inflation rates from 12.45% in 2024 to 16.35% by 2030, with widening confidence intervals indicating the uncertainties inherent in long-term economic forecasting. The study recommends that policymakers and financial institutions consider integrating CNN-based models into their forecasting strategies, particularly in volatile economic environments, to leverage their strengths in capturing non-linear patterns and temporal dependencies.