DOI: https://doi.org/10.55730/1300-0632.4055
تاريخ النشر: 2024-02-07
المؤلف: Mehmet Pekkaya وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
في هذه الدراسة، تم تطوير خمسة نماذج متميزة لتقدير قيمة الإنتاج \( Q_i \) لشركة الحديد والصلب بناءً على متغيرات إدخال مختلفة، بما في ذلك \( P_i \)، PPI، IntR، USD، CCI، PMI، GDP، \( Q_i(t-1) \)، و \( \Delta P_i \). خضعت النماذج لعملية تدريب وتحقق واختبار صارمة، حيث تم تطبيع جميع المتغيرات باستخدام مقياس الحد الأدنى والحد الأقصى لضمان الحساسية للتغيرات عبر جميع المدخلات. تم إجراء تحقق من النموذج من خلال التحقق المتقاطع 10-fold، وأشارت مقاييس الأداء إلى أن النماذج 2 و 3 و 4 حققت دقة أعلى (0.8971، 0.8614، و 0.8228، على التوالي) مقارنة بالنماذج 1 و 5 (0.6112 و 0.5990). ومن الجدير بالذكر أن المتغيرات USD و CCI و PMI تم تحديدها كعوامل حاسمة تؤثر على أداء النماذج الأكثر نجاحًا.
تشير النتائج إلى أن نماذج الشبكات العصبية الاصطناعية (ANN) تتفوق على نماذج الانحدار التقليدية في تقدير المبيعات، كما يتضح من مقاييس الأداء المتفوقة. بالإضافة إلى ذلك، قدم دمج تحليل العلاقات الرمادية (GRA) فهمًا شاملاً للمتغيرات التي تؤثر على المبيعات، مما يبرز أهمية USD و \( P_i \) و IntR في التنبؤ. تدعو الدراسة شركات الحديد والصلب إلى إعطاء الأولوية لهذه المتغيرات في استراتيجيات التنبؤ بالمبيعات والتخطيط، خاصة في الاقتصادات التضخمية حيث قد تؤثر مخاطر سعر الصرف على الطلب. يُوصى بإجراء أبحاث مستقبلية لتوسيع مجموعة البيانات لتشمل شركات متعددة عبر مناطق مختلفة، مما يسهل تطوير نماذج الذكاء الاصطناعي الهجينة التي يمكن أن تحدد وتزن العوامل المؤثرة بشكل أفضل، وبالتالي تقليل عدم اليقين في المعلمات.
مقدمة
تؤكد مقدمة ورقة البحث على الأهمية الحاسمة للتنبؤ بدقة بالمبيعات في صناعة الحديد والصلب، والتي تؤثر بشكل كبير على مختلف العمليات التجارية والصحة الاقتصادية العامة. نظرًا لدور الصناعة كمورد رئيسي للمواد الخام عبر عدة قطاعات، يمكن أن تؤدي تقلبات المبيعات إلى آثار مالية كبيرة، حيث يمكن أن تصل التغيرات المحتملة في الإيرادات إلى 35 مليون دولار بسبب أخطاء تقدير الطلب. تعزز مكانة تركيا كمنتج رئيسي للصلب على مستوى العالم، حيث احتلت المرتبة السابعة في عام 2021، ضرورة التنبؤ الفعال بالمبيعات، خاصة في ضوء تقلبات السوق الناجمة عن العوامل الاقتصادية والسياسية.
تهدف الدراسة إلى معالجة ندرة الأبحاث حول التنبؤ بالمبيعات ضمن قطاع المعادن والصلب من خلال استخدام الشبكات العصبية الاصطناعية (ANN) لنمذجة العوامل المهمة التي تؤثر على المبيعات. يبرز المؤلفون الحاجة إلى نهج شامل يتضمن مجموعة واسعة من المتغيرات، والتي تم تجاهلها إلى حد كبير في الأدبيات الحالية. من خلال تحليل البيانات من شركة تركية رائدة في الحديد والصلب على مدى عقد من الزمن، تسعى الدراسة إلى تحديد العوامل الرئيسية المؤثرة على المبيعات ومقارنة أداء نماذج ANN ضد طرق الانحدار التقليدية. لا تساهم هذه الأبحاث فقط في النقاش الأكاديمي ولكنها تقدم أيضًا رؤى قيمة لأصحاب المصلحة في الصناعة وصانعي القرار.
طرق
في هذه الدراسة، هدف المؤلفون إلى تحديد ونمذجة العوامل الرئيسية التي تؤثر على حجم مبيعات شركة الحديد والصلب باستخدام شبكة عصبية اصطناعية (ANN). تضمنت المنهجية عدة خطوات حاسمة، بدءًا من إعداد قاعدة بيانات للمنتجات مصممة للتحليل. تم تقسيم مجموعة البيانات إلى خمس فئات منتجات متميزة، وتم إجراء استيفاء البيانات باستخدام تقنية الجيران الأقرب (KNN) لمعالجة أي قيم مفقودة. لضمان التوحيد عبر الميزات، تم تطبيق نهج مقياس الحد الأدنى والحد الأقصى للتطبيع.
بعد المعالجة المسبقة، تم استخدام نموذج ANN للتنبؤ بأرقام المبيعات لكل منتج. تم تقييم أداء النموذج بعد ذلك باستخدام مجموعة بيانات اختبار منفصلة. يتم تقديم وصف شامل لنموذج ANN وتكوينه في القسم 4.2 من الورقة، والذي يوضح الهيكل المحدد والمعلمات المستخدمة في التحليل. يوضح المخطط الانسيابي في الشكل 1 النهج العام المتبع لنمذجة العوامل المهمة التي تؤثر على المبيعات في صناعة الحديد والصلب.
نتائج
في هذا القسم، يتم تقديم نتائج دراسة تستخدم الشبكات العصبية الاصطناعية (ANN) لإعطاء الأولوية للمتغيرات التي تؤثر على مبيعات الحديد والصلب. تشير الإحصاءات الوصفية، بما في ذلك معامل التباين (CoV)، إلى أن مؤشر أسعار المنتجين (PPI) ومعدل الفائدة (IntR) وسعر صرف USD تظهر تباينًا أكبر مقارنة بالمتغيرات الأخرى. تستخدم الدراسة الانحدار العادي (OLS) كطريقة مقارنة، مما يكشف أن مبيعات المنتجات المتأخرة ومتوسط PPI تؤثر سلبًا على المبيعات الحالية. ومع ذلك، تواجه نماذج OLS مشكلات مع طبيعة البواقي والتلقائية، مما يستلزم استخدام نهج متسق مع التباين الذاتي والتلقائية (HAC) لاستنتاج إحصائي قوي. على الرغم من إحصائيات F المرضية، فإن القوة التنبؤية لنماذج OLS محدودة، مع R² حوالي 25%.
تسلط نتائج ANN الضوء على الأهمية المتفاوتة لمتغيرات الإدخال عبر خمسة نماذج منتجات، حيث يعتبر مؤشر ثقة المستهلك (CCI) و USD الأكثر أهمية في سياقات مختلفة. يتم استخدام طريقة تحليل العلاقات الرمادية (GRA) لدمج هذه النتائج، مما يكشف أن USD وسعر المنتج (P_i) و IntR هي المتغيرات الأكثر تأثيرًا في التنبؤ بالمبيعات، مما يتناقض مع نتائج OLS حيث كانت المبيعات المتأخرة و PPI أكثر أهمية. تختتم الدراسة بأن تقلبات سعر صرف USD تؤثر بشكل كبير على أحجام المبيعات بسبب تأثيرها على التكاليف واستراتيجيات التسعير، بينما يعمل IntR كمؤشر اقتصادي غير مباشر يؤثر على قرارات الاستثمار. بشكل عام، يوفر نهج ANN فهمًا أكثر دقة لأهمية المتغيرات في سياق التنبؤ بمبيعات الحديد والصلب مقارنة بأساليب OLS التقليدية.
نقاش
يسلط النقاش الضوء على الدور الحاسم لصناعة الحديد والصلب في اقتصاد تركيا وأهميتها العالمية، مما يبرز مساهمتها في التصنيع والنمو الاقتصادي. لا تزود الصناعة المواد الخام الأساسية لقطاعات مختلفة، بما في ذلك النقل والبناء، فحسب، بل توظف أيضًا حوالي 88,000 فرد. في عام 2021، احتلت تركيا المرتبة السابعة كأكبر منتج للصلب على مستوى العالم والمرتبة الثانية في أوروبا، حيث تشكل صادرات الحديد والصلب حوالي 10% من إجمالي صادرات البلاد. تهدف الدراسة إلى نمذجة العوامل التي تؤثر على أحجام المبيعات المستقبلية في هذا القطاع، مما يبرز أهمية التنبؤ الدقيق بالمبيعات للتخطيط الاقتصادي.
تحدد مراجعة الأدبيات المتغيرات الاقتصادية الرئيسية التي تؤثر على طلب الصلب، مثل الدخل القومي، وأسعار الصرف، والتضخم، والتي تم استكشافها عبر دول وصناعات مختلفة. تستخدم الدراسة ستة متغيرات كبرى اقتصادية تركية—مؤشر أسعار المنتجين (PPI)، الناتج المحلي الإجمالي (GDP)، معدل الفائدة، سعر صرف USD/TRY، مؤشر ثقة المستهلك (CCI)، ومؤشر مديري المشتريات (PMI)—لنمذجة طلب المبيعات. تستخدم الأبحاث الشبكات العصبية الاصطناعية (ANN) لتحليل هذه المتغيرات، مما يظهر أن النماذج التي تتضمن USD و CCI و PMI تعزز بشكل كبير من دقة التنبؤ. تشير النتائج إلى أن نماذج ANN تتفوق على تقنيات الانحدار التقليدية، وأن دمج طرق اتخاذ القرار متعددة المعايير مثل تحليل العلاقات الرمادية (GRA) يمكن أن يوفر رؤى شاملة للتنبؤ بالمبيعات. يمكن أن توسع الأبحاث المستقبلية هذا النهج لتشمل بيانات من شركات متعددة عبر دول مختلفة لتحسين النماذج التنبؤية بشكل أكبر.
DOI: https://doi.org/10.55730/1300-0632.4055
Publication Date: 2024-02-07
Author(s): Mehmet Pekkaya et al.
Primary Topic: Stock Market Forecasting Methods
Overview
In this study, five distinct models were developed to estimate the output value \( Q_i \) of an iron and steel company based on various input variables, including \( P_i \), PPI, IntR, USD, CCI, PMI, GDP, \( Q_i(t-1) \), and \( \Delta P_i \). The models underwent a rigorous training, validation, and testing process, with all variables normalized using min-max scaling to ensure sensitivity to changes across all inputs. Model validation was conducted through 10-fold cross-validation, and performance metrics indicated that models 2, 3, and 4 achieved higher accuracy (0.8971, 0.8614, and 0.8228, respectively) compared to models 1 and 5 (0.6112 and 0.5990). Notably, variables USD, CCI, and PMI were identified as critical factors influencing the performance of the more successful models.
The findings suggest that artificial neural network (ANN) models outperform traditional regression models in estimating sales, as evidenced by superior performance metrics. Additionally, the integration of Grey Relational Analysis (GRA) provided a comprehensive understanding of the variables impacting sales, highlighting the significance of USD, \( P_i \), and IntR in forecasting. The study advocates for iron and steel companies to prioritize these variables in their sales forecasting and planning strategies, particularly in inflationary economies where exchange rate risks may affect demand. Future research is recommended to expand the dataset to include multiple companies across different regions, facilitating the development of hybrid AI models that can better identify and weigh influential factors, thereby reducing parameter uncertainty.
Introduction
The introduction of the research paper emphasizes the critical importance of accurately forecasting sales in the iron and steel industry, which significantly influences various business operations and overall economic health. Given the industry’s role as a primary supplier of raw materials across multiple sectors, fluctuations in sales can have substantial financial implications, with potential revenue variations reaching up to $35 million due to demand estimation errors. Türkiye’s position as a major global steel producer, ranking seventh in 2021, further underscores the necessity for effective sales forecasting, especially in light of market volatility driven by economic and political factors.
The study aims to address the scarcity of research on sales forecasting within the metals and steel sector by employing artificial neural networks (ANNs) to model the significant factors influencing sales. The authors highlight the need for a comprehensive approach that incorporates a wide range of variables, which has been largely overlooked in existing literature. By analyzing data from a leading Turkish iron and steel company over a decade, the study seeks to identify key determinants of sales and compare the performance of ANN models against traditional regression methods. This research not only contributes to the academic discourse but also provides valuable insights for industry stakeholders and decision-makers.
Methods
In this study, the authors aimed to identify and model the key factors influencing the sales volume of an iron and steel company using an Artificial Neural Network (ANN). The methodology involved several critical steps, beginning with the preparation of a product database tailored for analysis. The dataset was divided into five distinct product categories, and data imputation was conducted using the k-nearest neighbors (KNN) technique to address any missing values. To ensure uniformity across the features, a min-max scaling approach was applied for normalization.
Following the preprocessing, an ANN model was utilized to predict sales figures for each product. The performance of the model was subsequently assessed using a separate test dataset. A comprehensive description of the ANN model and its configuration is provided in section 4.2 of the paper, which outlines the specific architecture and parameters used in the analysis. The flowchart in Figure 1 illustrates the overall approach taken to model the significant factors affecting sales in the iron and steel industry.
Results
In this section, the results of a study utilizing Artificial Neural Networks (ANN) to prioritize variables influencing iron and steel sales are presented. Descriptive statistics, including the coefficient of variation (CoV), indicate that the Producer Price Index (PPI), Interest Rate (IntR), and USD exchange rate exhibit greater heterogeneity compared to other variables. The study employs Ordinary Least Squares (OLS) regression as a comparative method, revealing that lagged average product sales and PPI negatively impact current sales. However, the OLS models face issues with residual normality and autocorrelation, necessitating the use of a heteroskedasticity and autocorrelation consistent (HAC) approach for robust statistical inference. Despite satisfactory F-statistics, the predictive power of the OLS models is limited, with an R² of approximately 25%.
The ANN results highlight the varying importance of input variables across five product models, with the Consumer Confidence Index (CCI) and USD being the most significant in different contexts. The Gray Relational Analysis (GRA) method is employed to integrate these findings, revealing that USD, product price (P_i), and IntR are the most influential variables in predicting sales, contrasting with the OLS findings where lagged sales and PPI were more critical. The study concludes that fluctuations in the USD exchange rate significantly affect sales volumes due to their impact on costs and pricing strategies, while IntR serves as an indirect economic indicator affecting investment decisions. Overall, the ANN approach provides a more nuanced understanding of variable importance in the context of iron and steel sales forecasting compared to traditional OLS methods.
Discussion
The discussion highlights the critical role of the iron and steel industry in Türkiye’s economy and its global significance, emphasizing its contribution to industrialization and economic growth. The industry not only supplies essential raw materials for various sectors, including transportation and construction, but also employs approximately 88,000 individuals. In 2021, Türkiye ranked as the seventh largest steel producer globally and the second largest in Europe, with iron and steel exports constituting nearly 10% of the country’s total exports. The study aims to model factors influencing future sales volumes in this sector, underscoring the importance of accurate sales forecasting for economic planning.
The literature review identifies key economic variables affecting steel demand, such as national income, exchange rates, and inflation, which have been explored across various countries and industries. The study utilizes six Turkish macroeconomic variables—producer price index (PPI), gross domestic product (GDP), interest rate, USD/TRY exchange rate, consumer confidence index (CCI), and Purchasing Managers Index (PMI)—to model sales demand. The research employs artificial neural networks (ANNs) to analyze these variables, demonstrating that models incorporating USD, CCI, and PMI significantly enhance forecasting accuracy. The findings suggest that ANN models outperform traditional regression techniques, and integrating multi-criteria decision-making methods like Grey Relational Analysis (GRA) can yield comprehensive insights for sales forecasting. Future research could expand this approach to include data from multiple companies across different countries to refine predictive models further.