DOI: https://doi.org/10.4236/jamp.2025.131012
تاريخ النشر: 2025-01-01
المؤلف: Ghadah Alsheheri
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تجري هذه الورقة تحليلًا مقارنًا لنماذج ARIMA(1, 1, 0) ونماذج الشبكات العصبية التلقائية (NNAR) لتوقع السلاسل الزمنية، باستخدام كل من البيانات المحاكاة وبيانات وفيات حديثي الولادة من المملكة العربية السعودية. يعتمد تقييم أداء النموذج على مقاييس مثل متوسط الخطأ التربيعي (MSE) ومعيار أكايكي للمعلومات (AIC) ومعيار بايزي للمعلومات (BIC). تكشف النتائج أن نموذج NNAR يتفوق باستمرار على نموذج ARIMA في كل من سيناريوهات التدريب والتوقع، مما يظهر قدرة متفوقة في التقاط العلاقات المعقدة وغير الخطية داخل البيانات.
تسلط الدراسة الضوء على نقاط القوة والقيود لكل نهج نمذجة. بينما تُعرف نماذج ARIMA ببساطتها وفعاليتها في نمذجة الاعتماديات الخطية، حقق نموذج NNAR(2, 2) قيمًا أقل لمتوسط الخطأ التربيعي وAIC وBIC، مما يشير إلى دقته التنبؤية المحسنة. أكدت تشخيصات المتبقيات لنموذج ARIMA ملاءمته لنمذجة الاتجاهات الخطية، ومع ذلك، يبرز أداء نموذج NNAR مزايا منهجيات الشبكات العصبية، لا سيما في مجموعات البيانات التي تتميز بعدم الخطية. تقترح الورقة أنه مع زيادة الموارد الحاسوبية وتوافر البيانات، ستصبح نماذج الشبكات العصبية أكثر أهمية في التحليلات التنبؤية. تشمل اتجاهات البحث المستقبلية استكشاف النماذج الهجينة التي تجمع بين ARIMA والشبكات العصبية وتنفيذ التحقق المتقاطع k-fold لتعزيز قوة وعمومية النتائج في تطبيقات التوقع.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على أهمية توقع السلاسل الزمنية عبر مجالات مختلفة مثل المالية والرعاية الصحية والاقتصاد وعلوم البيئة. هذه التقنية ضرورية لتوقع القيم المستقبلية بناءً على البيانات التاريخية، مما يساعد المنظمات والباحثين في اتخاذ قرارات مستنيرة وإدارة المخاطر وتحسين الموارد. يؤكد المؤلفون أن التوقعات الدقيقة يمكن أن تؤدي إلى تحسينات في التخطيط والميزانية وتطوير السياسات، مما يساهم في النهاية في النمو الاقتصادي وكفاءة العمليات.
تشير الفقرة إلى الزيادة في اعتماد نماذج السلاسل الزمنية، مدفوعة بالتقدم في القدرات الحاسوبية وتوافر مجموعات البيانات الكبيرة. من بين النماذج البارزة التي تم مناقشتها هي نموذج المتوسط المتحرك المتكامل الذاتي الانحدار (ARIMA) ونموذج الشبكة العصبية التلقائية (NNAR). يُعترف بنموذج ARIMA لفعاليته في التعامل مع الأنماط الخطية والبيانات الثابتة، حيث يعمل كطريقة أساسية في التوقع الإحصائي. في المقابل، تستخدم نماذج NNAR الشبكات العصبية لالتقاط العلاقات المعقدة وغير الخطية داخل البيانات، مما يمكن أن يعزز دقة التوقع في البيئات الديناميكية وغير الثابتة.
طرق
توضح قسم المنهجية العمليات الخاصة بتوليد البيانات، وتحديد النموذج، ومعايير التقييم المستخدمة لمقارنة أداء نماذج ARIMA وNNAR. تم تصميم نموذج NNAR(2, 2) مع طبقتين مخفيتين، تحتوي كل منهما على 10 خلايا عصبية، باستخدام دالة تنشيط ReLU (وحدة خطية مصححة). تم إجراء التدريب باستخدام خوارزمية تحسين آدم بمعدل تعلم قدره 0.001. تم تنفيذ ضبط المعلمات الفائقة من خلال البحث الشبكي، مع تعديل عدد الخلايا العصبية بين 5 و20 لتحديد التكوين الذي يقلل من خطأ التحقق. للتخفيف من الإفراط في التكيف، تم تنفيذ الإيقاف المبكر بقيمة صبر تبلغ 10 دورات.
الهدف الرئيسي من هذه المنهجية هو تقييم دقة وكفاءة نماذج ARIMA وNNAR في توقع بيانات السلاسل الزمنية الاصطناعية، مما يوفر تحليلًا مقارنًا لأدائها.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لنماذج ARIMA(1, 1, 0) وNNAR(2, 2) المطبقة على كل من بيانات وفيات حديثي الولادة المحاكاة والبيانات الواقعية. تشير تشخيصات نموذج ARIMA إلى سلسلة غير ثابتة، كما يتضح من إحصائية اختبار KPSS البالغة 0.92، مما يستلزم فرقًا من الدرجة الأولى لتحقيق الثبات. تؤكد تحليلات دالة الارتباط الذاتي (ACF) ودالة الارتباط الذاتي الجزئي (PACF) ملاءمة نموذج ARIMA، حيث تظهر PACF قطعًا حادًا بعد التأخر 1، مما يدل على عملية AR(1).
في مقارنات التوقع، تفوق نموذج NNAR باستمرار على نموذج ARIMA عبر ثلاثة توقعات تم تقييمها، مما يظهر دقة متفوقة في التقاط العلاقات المعقدة وغير الخطية داخل البيانات. على سبيل المثال، انحرف توقع NNAR للملاحظة الأولى بمقدار 2.46 فقط عن القيمة الفعلية، بينما كان انحراف ARIMA 2.02. على الرغم من أن ARIMA أظهر أداءً أفضل بشكل طفيف في حالة واحدة، فإن الاتجاه العام يميل لصالح نموذج NNAR، الذي أظهر أيضًا متوسط خطأ تربيعي (MSE) أقل، وقيم AIC وBIC أقل. تؤكد هذه النتائج على إمكانية نموذج NNAR كبديل قوي للنماذج الخطية التقليدية في التحليلات التنبؤية، لا سيما لمجموعات البيانات ذات الاعتماديات غير الخطية، مما يقترح مسارات للبحث المستقبلي في استكشاف النماذج الهجينة أو النماذج التجميعية.
نقاش
يوفر قسم النقاش في الورقة نظرة شاملة على التحليل المقارن بين نموذج المتوسط المتحرك المتكامل الذاتي الانحدار (ARIMA) ونموذج الشبكة العصبية التلقائية (NNAR) لتوقع السلاسل الزمنية، لا سيما في سياق بيانات وفيات حديثي الولادة. تم التحقق من نموذج ARIMA، الذي يتميز ببساطته وفعاليته في التقاط العلاقات الخطية، من خلال الأدبيات الواسعة، مما يظهر موثوقيته في مجالات مختلفة. على النقيض من ذلك، أظهر نموذج NNAR، الذي يستخدم الشبكات العصبية لتحديد الأنماط المعقدة وغير الخطية، أداءً متفوقًا في السيناريوهات ذات الخصائص البيانية غير المنتظمة. تسلط الدراسة الضوء على أنه بينما يتفوق ARIMA في القابلية للتفسير، يتفوق NNAR عليه عبر مقاييس رئيسية مثل متوسط الخطأ التربيعي (MSE) ومعيار أكايكي للمعلومات (AIC) ومعيار بايزي للمعلومات (BIC)، مما يشير إلى قدرته المحسنة على نمذجة ديناميات البيانات المعقدة.
تكشف النتائج أن نموذج NNAR(2, 2) حقق متوسط خطأ تربيعي (MSE) أقل بكثير (0.9362) مقارنة بنموذج ARIMA(1, 1, 0) (1.05301)، إلى جانب قيم AIC وBIC أقل، مما يشير إلى ملاءمة أكثر كفاءة دون تعقيد غير ضروري. على الرغم من مزايا نموذج NNAR، يعترف المؤلفون بالتحديات مثل الحاجة إلى مجموعات بيانات أكبر للتخفيف من الإفراط في التكيف وكثافة الحوسبة لتدريب الشبكات العصبية. تختتم الورقة بتوصيات للبحث المستقبلي، بما في ذلك استكشاف النماذج الهجينة التي تجمع بين نهجي ARIMA وNNAR، بالإضافة إلى تنفيذ تقنيات التحقق المتقاطع لتعزيز قوة وقابلية تطبيق هذه الأساليب التنبؤية في السيناريوهات الواقعية.
DOI: https://doi.org/10.4236/jamp.2025.131012
Publication Date: 2025-01-01
Author(s): Ghadah Alsheheri
Primary Topic: Stock Market Forecasting Methods
Overview
This paper conducts a comparative analysis of ARIMA(1, 1, 0) and Neural Network AutoRegressive (NNAR) models for time series forecasting, utilizing both simulated data and neonatal mortality data from Saudi Arabia. The evaluation of model performance is based on metrics such as Mean Squared Error (MSE), Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC). The findings reveal that the NNAR model consistently outperforms the ARIMA model in both training and forecasting scenarios, demonstrating superior capability in capturing complex, nonlinear relationships within the data.
The study highlights the strengths and limitations of each modeling approach. While ARIMA models are recognized for their simplicity and effectiveness in modeling linear dependencies, the NNAR(2, 2) model achieved lower values for MSE, AIC, and BIC, indicating its enhanced predictive accuracy. Residual diagnostics for the ARIMA model confirmed its adequacy for linear trend modeling, yet the NNAR model’s performance underscores the advantages of neural network methodologies, particularly in datasets characterized by nonlinearity. The paper suggests that as computational resources and data availability increase, neural network models will become increasingly important in predictive analytics. Future research directions include exploring hybrid models that combine ARIMA with neural networks and implementing k-fold cross-validation to enhance the robustness and generalizability of the findings in forecasting applications.
Introduction
The introduction of the research paper highlights the significance of time series forecasting across various fields such as finance, healthcare, economics, and environmental sciences. This technique is essential for predicting future values based on historical data, thereby aiding organizations and researchers in making informed decisions, managing risks, and optimizing resources. The authors emphasize that accurate forecasting can lead to improvements in planning, budgeting, and policy development, ultimately contributing to economic growth and operational efficiency.
The section notes the increasing adoption of time series models, driven by advancements in computational capabilities and the availability of large datasets. Among the prominent models discussed are the Autoregressive Integrated Moving Average (ARIMA) and Neural Network AutoRegressive (NNAR) models. ARIMA is recognized for its effectiveness in handling linear patterns and stationary data, serving as a foundational method in statistical forecasting. In contrast, NNAR models utilize neural networks to capture complex, nonlinear relationships within data, which can enhance forecasting accuracy in dynamic and non-stationary environments.
Methods
The methodology section details the processes for data generation, model specification, and evaluation criteria employed to compare the performance of ARIMA and NNAR models. The NNAR(2, 2) model was designed with two hidden layers, each containing 10 neurons, utilizing the ReLU (Rectified Linear Unit) activation function. Training was conducted using the Adam optimization algorithm with a learning rate of 0.001. Hyperparameter tuning was executed through grid search, adjusting the number of neurons between 5 and 20 to determine the configuration that minimized validation error. To mitigate overfitting, early stopping was implemented with a patience value of 10 epochs.
The primary objective of this methodology is to evaluate the accuracy and efficiency of the ARIMA and NNAR models in forecasting synthetic time series data, providing a comparative analysis of their performance.
Results
The results section presents a comprehensive analysis of the ARIMA(1, 1, 0) and NNAR(2, 2) models applied to both simulated and real-world neonatal mortality data. The ARIMA model’s diagnostics indicate a non-stationary series, as evidenced by a KPSS test statistic of 0.92, necessitating first-order differencing to achieve stationarity. The autocorrelation function (ACF) and partial autocorrelation function (PACF) analyses confirm the appropriateness of the ARIMA model, with the PACF exhibiting a sharp cutoff after lag 1, indicative of an AR(1) process.
In forecasting comparisons, the NNAR model consistently outperformed the ARIMA model across three evaluated forecasts, demonstrating superior accuracy in capturing complex, non-linear relationships within the data. For instance, the NNAR forecast for the first observation deviated by only 2.46 from the actual value, while ARIMA’s deviation was 2.02. Although ARIMA showed marginally better performance in one instance, the overall trend favors the NNAR model, which also exhibited lower mean squared error (MSE), Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC) values. These findings underscore the NNAR model’s potential as a robust alternative to traditional linear models in predictive analytics, particularly for datasets with non-linear dependencies, suggesting avenues for future research into hybrid or ensemble modeling approaches.
Discussion
The discussion section of the paper provides a comprehensive overview of the comparative analysis between Autoregressive Integrated Moving Average (ARIMA) and Neural Network AutoRegressive (NNAR) models for time series forecasting, particularly in the context of neonatal mortality data. The ARIMA model, characterized by its simplicity and effectiveness in capturing linear relationships, was validated through extensive literature, demonstrating its reliability in various domains. Conversely, the NNAR model, which utilizes neural networks to identify complex, nonlinear patterns, has shown superior performance in scenarios with irregular data characteristics. The study highlights that while ARIMA excels in interpretability, NNAR outperforms it across key metrics such as Mean Squared Error (MSE), Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC), indicating its enhanced capability to model intricate data dynamics.
The findings reveal that the NNAR(2, 2) model achieved a significantly lower MSE (0.9362) compared to the ARIMA(1, 1, 0) model (1.05301), alongside lower AIC and BIC values, suggesting a more efficient fit without unnecessary complexity. Despite the NNAR model’s advantages, the authors acknowledge challenges such as the need for larger datasets to mitigate overfitting and the computational intensity of training neural networks. The paper concludes with recommendations for future research, including the exploration of hybrid models that combine ARIMA and NNAR approaches, as well as the implementation of cross-validation techniques to enhance the robustness and applicability of these forecasting methods in real-world scenarios.