DOI: https://doi.org/10.70470/edraak/2025/009
تاريخ النشر: 2025-03-02
المؤلف: Ioannis Adamopoulos وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تعمل هذه الدراسة على تعزيز توقعات النمو الاقتصادي في دولة الإمارات العربية المتحدة (الإمارات) من خلال استخدام نموذج Seq2Seq للتعلم العميق مع شبكة الذاكرة طويلة وقصيرة المدى (LSTM) المدفوعة بالاهتمام. غالبًا ما تفشل النماذج الإحصائية التقليدية في التقاط الاعتماديات الزمنية المعقدة والاتجاهات غير الخطية الموجودة في بيانات السلاسل الزمنية الاقتصادية. تستخدم الدراسة منهجية منظمة، تبدأ بجمع البيانات من البنك الدولي، مع التركيز على المؤشرات الاقتصادية الكلية مثل نمو الناتج المحلي الإجمالي، والتضخم، ومعدلات التوظيف. يتميز النموذج المقترح بهندسة تشفير وفك تشفير مع آلية اهتمام تقوم بوزن النقاط الزمنية الحرجة ديناميكيًا، مما يحسن دقة التوقعات. يتم تقييم أداء النموذج باستخدام مقاييس مثل RMSE وMAE وMAPE، مما يظهر قدرات تنبؤية متفوقة مقارنة بالطرق التقليدية.
تشير النتائج الرئيسية إلى أن نموذج LSTM المعزز بالاهتمام يعالج بفعالية التحديات الشائعة في التوقعات، بما في ذلك الإفراط في التكيف ونمذجة الاعتماديات طويلة الأجل. حقق النموذج دقة عالية مع أخطاء تنبؤية أقل في مرحلة الاختبار، مما يؤكد قدراته القوية على التعميم. تسلط الدراسة الضوء على ضرورة نماذج التوقعات غير الخطية لإدارة تعقيدات البيانات الاقتصادية الكلية، التي غالبًا ما تظهر توزيعات غير طبيعية. يعمل النموذج كأداة قوية لدعم اتخاذ القرار لصانعي السياسات والمخططين الاقتصاديين، مما يعزز القابلية للتفسير من خلال الوزن القائم على الاهتمام الذي يحدد المؤشرات الاقتصادية المؤثرة. تشمل اتجاهات البحث المستقبلية دمج الصدمات الاقتصادية الخارجية وتحسين ضبط المعلمات الفائقة لتحسين متانة النموذج ودقته التنبؤية بشكل أكبر.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية التوقعات الاقتصادية في توجيه صنع السياسات، والتخطيط المالي، واستراتيجيات الاستثمار. تُلاحظ الطرق الإحصائية التقليدية، مثل ARIMA والتنعيم الأسي، لقيودها في التقاط الاعتماديات طويلة المدى والأنماط غير الخطية في البيانات الاقتصادية. في المقابل، تبرز الدراسة إمكانيات شبكات الذاكرة طويلة وقصيرة المدى (LSTM)، التي تتميز بقدرتها على نمذجة البيانات التسلسلية نظرًا لقدرتها على الاحتفاظ بالمعلومات التاريخية ومعالجة مشكلة تلاشي التدرج. تعزز دمج آليات الاهتمام أداء LSTM من خلال السماح للنموذج بالتركيز على النقاط الزمنية الحرجة ضمن السلاسل الاقتصادية.
تبحث هذه الدراسة بشكل خاص في تطبيق نموذج Seq2Seq المعزز بهندسة LSTM المدفوعة بالاهتمام لتوقع النمو الاقتصادي في دولة الإمارات العربية المتحدة (الإمارات). من خلال الاستفادة من نقاط القوة في شبكات LSTM وآليات الاهتمام، تهدف المقاربة المقترحة إلى تحسين التوقعات من خلال تحديد المؤشرات الاقتصادية الرئيسية، مما يحسن دقة ومتانة نماذج التوقعات الاقتصادية. تم هيكلة الورقة لتشمل مراجعة الأدبيات، والمنهجية وهندسة النموذج، والنتائج والتقييم، وتختتم بالنتائج الرئيسية والتوصيات للبحث المستقبلي.
الطرق
تستخدم الدراسة نموذج Seq2Seq المعزز بشبكة الذاكرة طويلة وقصيرة المدى (LSTM) المدفوعة بالاهتمام لتوقع اتجاهات النمو الاقتصادي في دولة الإمارات العربية المتحدة (الإمارات). تشمل المنهجية نهجًا منهجيًا يتضمن جمع البيانات من البنك الدولي، والمعالجة المسبقة، واختيار النموذج، والتدريب، والتقييم. تتضمن مجموعة البيانات مؤشرات اقتصادية كلية رئيسية مثل معدلات نمو الناتج المحلي الإجمالي السنوية، ومستويات التضخم، وأرصدة التجارة، وتدفقات الاستثمار، وإحصاءات التوظيف على مدى عدة عقود، مما يضمن أساسًا قويًا لتوقع الاتجاهات.
أثناء المعالجة المسبقة، تتناول الدراسة القيم المفقودة، وتقوم بتطبيع المتغيرات العددية، وتقوم بترتيب البيانات في تنسيق سلسلة زمنية مناسب للتعلم العميق. تُستخدم تقنيات هندسة الميزات لاستخراج الأنماط الاقتصادية الهامة، وتُجرى اختبارات الاستقرارية لتأكيد استقرار المتغيرات الزمنية. تستخدم هندسة النموذج إطار عمل تسلسل إلى تسلسل، حيث يقوم المشفر بمعالجة تسلسلات الإدخال لتوليد متجه سياق يلخص السلوك الاقتصادي السابق، بينما يتنبأ المفكك بالاتجاهات المستقبلية باستخدام آليات اهتمام تقوم بوزن البيانات التاريخية ذات الصلة ديناميكيًا. يتم تنفيذ تدريب النموذج باستخدام مُحسِّن آدم لضبط معدلات التعلم التكيفية، ويتم إجراء ضبط المعلمات الفائقة عبر التحقق المتقاطع للتخفيف من الإفراط في التكيف. يتم تقييم الأداء بدقة باستخدام مقاييس مثل خطأ الجذر التربيعي المتوسط (RMSE)، وخطأ القيمة المطلقة المتوسطة (MAE)، وخطأ النسبة المئوية المطلقة المتوسطة (MAPE).
النتائج
تظهر نتائج نموذج Seq2Seq LSTM المقترح مع الاهتمام فعاليته في توقع النمو الاقتصادي من خلال تقييم الدقة التنبؤية والقدرة على التقاط الاتجاهات طويلة الأجل. تكشف التحليلات عن معدل نمو اقتصادي متوسط قدره 7.44% ووسيط قدره 4.35%، مما يشير إلى توزيع مائل إلى اليمين مع تقلبات كبيرة، كما يتضح من أقصى نمو قدره 76.62% وأدنى نمو قدره -14.96%. تؤكد المقاييس الإحصائية، بما في ذلك انحراف معياري قدره 13.59 وميل قدره 2.89، على ارتفاع التباين وتوزيع لبتوكورتيك، مما يشير إلى ضرورة وجود نماذج توقع متقدمة يمكنها التعامل مع خصائص البيانات غير الطبيعية. توضح تحليل السلاسل الزمنية أيضًا غياب الأنماط الموسمية، مما يبرز تركيز النموذج على الاعتماديات طويلة الأجل والتحولات الاقتصادية الهيكلية بدلاً من التغيرات الدورية.
تشير منحنيات خسارة التدريب والتحقق إلى ديناميكيات تعلم مستقرة، حيث حقق النموذج خسارة تحقق أقل (0.0016) مقارنة بخسارة التدريب (0.0063) بعد 100 دورة، مما يشير إلى قدرات تعميم قوية دون الإفراط في التكيف بشكل كبير. تكشف مقاييس الأداء عن خطأ الجذر التربيعي المتوسط (RMSE) قدره 0.7435 لمجموعة الاختبار، إلى جانب قيمة R-squared عالية قدرها 0.8904، مما يشير إلى أن النموذج يفسر ما يقرب من 90% من التباين في النمو الاقتصادي. تشير التوقعات للفترة من 2024 إلى 2030 إلى زيادة تدريجية في النمو الاقتصادي، مع فترات ثقة تعكس عدم اليقين بسبب الصدمات الخارجية المحتملة. بشكل عام، تؤكد النتائج على متانة نموذج LSTM في التقاط الاتجاهات الاقتصادية وتبرز أهمية معالجة المخاطر السلبية لدعم النمو المستدام.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على فعالية نموذج Seq2Seq المعزز بالاهتمام (LSTM) في توقع النمو الاقتصادي في الإمارات. تؤكد النتائج الأدبيات الحالية التي تبرز تفوق نماذج LSTM على الطرق الإحصائية التقليدية مثل ARIMA، خاصة في التقاط الاعتماديات طويلة المدى والعلاقات غير الخطية في البيانات الاقتصادية. أظهر النموذج دقة محسنة ومعدلات خطأ منخفضة، خاصة في توقع الاتجاهات الاقتصادية طويلة الأجل، بينما يعكس أيضًا عدم اليقين المرتبط بالصدمات الاقتصادية، كما يتضح من فترات الثقة الأوسع في التوقعات المبكرة.
سمحت آلية الاهتمام المدمجة في نموذج LSTM بتحديد أولويات الأحداث الاقتصادية الهامة بشكل تكيفي، مثل أزمة 2008 المالية وانتعاش COVID-19، مما يعزز قدرة النموذج على إدارة التقلبات وتحسين دقة التوقعات. من الجدير بالذكر أن النموذج أظهر قدرات تعميم قوية، حيث كانت خسائر التحقق باستمرار أقل من خسائر التدريب، مما يشير إلى التعامل الفعال مع الإفراط في التكيف على الرغم من مجموعة بيانات محدودة. تؤكد الدراسة على أهمية استخدام تقنيات التعلم العميق المتقدمة لمعالجة تعقيدات التوقعات الاقتصادية الكلية، داعية إلى مزيد من البحث الذي يدمج المتغيرات الاقتصادية الخارجية لتعزيز المتانة التنبؤية. بشكل عام، يعمل النموذج المقترح كأداة قيمة لصانعي السياسات والمحللين، مما يعزز القابلية للتفسير واتخاذ القرار في سياقات اقتصادية متقلبة.
القيود
تسلط الدراسة الضوء على فعالية نموذج Seq2Seq LSTM القائم على الاهتمام في توقع النمو الاقتصادي؛ ومع ذلك، يجب مراعاة عدة قيود. أولاً، يتم تدريب النموذج على مجموعة بيانات تتكون من 53 ملاحظة سنوية فقط، والتي، على الرغم من كونها كافية لإظهار الفعالية، قد تقيد متانة النموذج وقابلية تعميمه. كما أن الاعتماد على البيانات السنوية يقيد قدرة النموذج على اكتشاف الأنماط الاقتصادية قصيرة الأجل والصدمات، مما قد يتسبب في تجاهل الديناميكيات الحرجة.
ثانيًا، تم تصميم النموذج خصيصًا لدولة الإمارات العربية المتحدة (الإمارات)، مما يحد من قابليته للتطبيق على دول أخرى ذات هياكل اقتصادية وتقلبات مختلفة. سيتطلب تعميم النتائج على سياقات وطنية أخرى التكيف وإعادة التدريب باستخدام مجموعات بيانات محلية ذات صلة ومتغيرات اقتصادية. أخيرًا، لا يأخذ النموذج في الاعتبار الصدمات الخارجية، مثل الأوبئة، وعدم الاستقرار الجيوسياسي، أو تقلبات أسعار السلع العالمية، التي يمكن أن تؤثر بشكل كبير على الأداء الاقتصادي. قد تؤدي هذه الإغفالات إلى تقليل دقة توقعات النموذج خلال فترات الاضطراب العالمي، مما يشير إلى الحاجة إلى مزيد من البحث لدمج هذه العوامل الخارجية في إطار التوقعات.
DOI: https://doi.org/10.70470/edraak/2025/009
Publication Date: 2025-03-02
Author(s): Ioannis Adamopoulos et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study enhances economic growth forecasting in the United Arab Emirates (UAE) by employing a Seq2Seq deep learning model with an attention-driven Long Short-Term Memory (LSTM) network. Traditional statistical models often inadequately capture the complex temporal dependencies and nonlinear trends present in economic time series data. The research utilizes a structured methodology, beginning with data collection from the World Bank, focusing on macroeconomic indicators such as GDP growth, inflation, and employment rates. The proposed model features an encoder-decoder architecture with an attention mechanism that dynamically weights critical time points, thereby improving forecasting accuracy. The model’s performance is evaluated using metrics such as RMSE, MAE, and MAPE, demonstrating superior predictive capabilities compared to conventional methods.
Key findings indicate that the attention-enhanced LSTM model effectively addresses common forecasting challenges, including overfitting and the modeling of long-term dependencies. The model achieved high accuracy with lower prediction errors in the testing phase, confirming its strong generalization capabilities. The study highlights the necessity of nonlinear forecasting models to manage the complexities of macroeconomic data, which often exhibit non-normal distributions. The model serves as a robust decision-support tool for policymakers and economic planners, enhancing interpretability through attention-based weighting that identifies influential economic indicators. Future research directions include integrating external economic shocks and optimizing hyperparameter tuning to further improve the model’s robustness and predictive accuracy.
Introduction
The introduction of this research paper emphasizes the significance of economic forecasting in guiding policy-making, financial planning, and investment strategies. Traditional statistical methods, such as ARIMA and exponential smoothing, are noted for their limitations in capturing long-range dependencies and nonlinear patterns in economic data. In contrast, the study highlights the potential of Long Short-Term Memory (LSTM) networks, which are adept at modeling sequential data due to their capability to retain historical information and address the vanishing gradient problem. The integration of attention mechanisms further enhances LSTM’s performance by allowing the model to focus on critical time points within economic series.
This research specifically investigates the application of a Seq2Seq model augmented with an attention-driven LSTM architecture for forecasting economic growth in the United Arab Emirates (UAE). By leveraging the strengths of LSTM networks and attention mechanisms, the proposed approach aims to refine predictions by identifying key economic indicators, thereby improving the accuracy and robustness of economic forecasting models. The paper is structured to include a literature review, methodology and model architecture, results and evaluation, and concludes with key findings and recommendations for future research.
Methods
The study employs a Seq2Seq model enhanced with an attention-driven Long Short-Term Memory (LSTM) network to forecast economic growth trends in the United Arab Emirates (UAE). The methodology encompasses a systematic approach involving data collection from the World Bank, preprocessing, model selection, training, and evaluation. The dataset includes key macroeconomic indicators such as annual GDP growth rates, inflation levels, trade balances, investment flows, and employment statistics over several decades, ensuring a robust foundation for trend forecasting.
During preprocessing, the study addresses missing values, normalizes numerical variables, and structures the data into a time-series format suitable for deep learning. Feature engineering techniques are employed to extract significant economic patterns, and stationarity tests are conducted to confirm the stability of time-dependent variables. The model architecture utilizes a Sequence-to-Sequence framework, where an encoder processes input sequences to generate a context vector summarizing past economic behavior, while a decoder predicts future trends using attention mechanisms that dynamically weight relevant historical data. Model training is executed with the Adam optimizer for adaptive learning rate adjustments, and hyperparameter tuning is performed via cross-validation to mitigate overfitting. Performance is rigorously evaluated using metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE).
Results
The results of the proposed Seq2Seq LSTM model with attention demonstrate its effectiveness in forecasting economic growth by evaluating predictive accuracy and the ability to capture long-term trends. The analysis reveals a mean economic growth rate of 7.44% and a median of 4.35%, indicating a right-skewed distribution with significant fluctuations, as evidenced by a maximum growth of 76.62% and a minimum of -14.96%. The statistical metrics, including a standard deviation of 13.59 and a skewness of 2.89, confirm high variability and a leptokurtic distribution, suggesting the necessity for advanced forecasting models that can handle non-normal data characteristics. Time series decomposition further illustrates the absence of seasonal patterns, emphasizing the model’s focus on long-term dependencies and structural economic shifts rather than cyclical variations.
The training and validation loss curves indicate stable learning dynamics, with the model achieving lower validation loss (0.0016) compared to training loss (0.0063) after 100 epochs, suggesting strong generalization capabilities without significant overfitting. Performance metrics reveal a Root Mean Square Error (RMSE) of 0.7435 for the testing set, alongside a high R-squared value of 0.8904, indicating that the model explains nearly 90% of the variance in economic growth. The forecasts for 2024 to 2030 suggest a gradual increase in economic growth, with confidence intervals reflecting uncertainty due to potential external shocks. Overall, the findings validate the LSTM model’s robustness in capturing economic trends and highlight the importance of addressing downside risks to support sustained growth.
Discussion
The discussion section of the research paper highlights the effectiveness of an attention-enhanced Seq2Seq Long Short-Term Memory (LSTM) model for economic growth forecasting in the UAE. The findings corroborate existing literature that emphasizes the superiority of LSTM-based models over traditional statistical methods like ARIMA, particularly in capturing long-range dependencies and nonlinear relationships in economic data. The model demonstrated improved accuracy and reduced error rates, especially in predicting longer-term economic trends, while also reflecting the inherent uncertainties associated with economic shocks, as evidenced by wider confidence intervals in early forecasts.
The attention mechanism integrated into the LSTM model allowed for adaptive prioritization of significant economic events, such as the 2008 financial crisis and the COVID-19 recovery, thereby enhancing the model’s ability to manage volatility and improve forecasting accuracy. Notably, the model exhibited robust generalization capabilities, with validation losses consistently lower than training losses, suggesting effective handling of overfitting despite a limited dataset. The study underscores the importance of utilizing advanced deep learning techniques to address the complexities of macroeconomic forecasting, advocating for further research that incorporates external economic variables to bolster predictive robustness. Overall, the proposed model serves as a valuable tool for policymakers and analysts, enhancing interpretability and decision-making in volatile economic contexts.
Limitations
The study highlights the effectiveness of the attention-based Seq2Seq LSTM model in forecasting economic growth; however, several limitations must be considered. Firstly, the model is trained on a dataset comprising only 53 annual observations, which, while adequate for demonstrating efficacy, may restrict the model’s robustness and generalizability. The reliance on yearly data also constrains the model’s ability to detect short-term economic patterns and shocks, potentially overlooking critical dynamics.
Secondly, the model’s design is specifically tailored to the United Arab Emirates (UAE), limiting its applicability to other countries with differing economic structures and volatility. Generalizing the findings to other national contexts would necessitate adaptation and re-training with relevant local datasets and economic variables. Lastly, the model does not account for external shocks, such as pandemics, geopolitical instability, or fluctuations in global commodity prices, which can significantly influence economic performance. This omission may reduce the model’s forecasting accuracy during periods of global disruption, indicating a need for future research to incorporate these external factors into the forecasting framework.