DOI: https://doi.org/10.3389/fsufs.2024.1334098
تاريخ النشر: 2024-02-19
المؤلف: Tingting Zhang وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تتناول ورقة البحث استقرار أسواق العقود الآجلة الزراعية، مع التأكيد على أهمية التنبؤات الدقيقة للأسعار من أجل التنمية الاجتماعية والاقتصادية. تقدم نموذج VMD-SGMD-LSTM جديد يدمج تحليل الوضع المتغير (VMD) وطريقة الانحدار العشوائي (SGMD) مع الشبكات العصبية الذاكرة الطويلة والقصيرة الأجل (LSTM) لتعزيز دقة التنبؤ. يقوم النموذج أولاً بتفكيك بيانات أسعار العقود الآجلة الأصلية باستخدام VMD، ويعالج المكونات المتبقية باستخدام SGMD، ثم يستخدم LSTM للتنبؤ بهذه المكونات. تظهر الدراسات التجريبية التي أجريت على عقود القمح والذرة والسكر في السوق الصينية أن النموذج الهجين المقترح يتفوق على النماذج القياسية الموجودة من حيث القدرة على التنبؤ والصلابة عبر آفاق التنبؤ المختلفة (خطوة واحدة، خطوتان، وأربع خطوات للأمام).
في الختام، تشير النتائج إلى أن تحسين دقة التنبؤ يمكن أن يسهل استراتيجيات التحوط الأفضل للمستثمرين، مما يساعد في تخصيص الأصول وإدارة المخاطر. بالإضافة إلى ذلك، توصي الورقة بأن تعزز الحكومة سوق العقود الآجلة الزراعية من خلال تنويع مجموعة المنتجات القابلة للتداول للمستثمرين الأجانب، مما قد يغني المشاركة في السوق وتدفق المعلومات. تشمل اتجاهات البحث المستقبلية دراسة تأثير العوامل الخارجية مثل الأحداث الجيوسياسية والكوارث الطبيعية على أسعار الزراعة، بهدف دمج هذه المتغيرات في النموذج التنبؤي لتحسين دقته وقوته التفسيرية بشكل أكبر.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم لبيانات الأسعار في أسواق العقود الآجلة الزراعية لقرارات الاستثمار وإدارة المخاطر. تسلط الضوء على ضرورة وجود تصوير علمي أكثر لتقلبات الأسعار وتطوير نماذج تنبؤ فعالة بسبب المخاطر الكامنة المرتبطة بتقلب الأسعار، والتي تتأثر بعوامل مختلفة مثل العرض والطلب، والتغيرات الاجتماعية والاقتصادية، وظروف المناخ. تصنف الورقة طرق التنبؤ الحالية إلى نماذج اقتصادية، وذكاء اصطناعي، ونماذج هجينة، مشيرة إلى قيود الأساليب الاقتصادية التقليدية في التقاط الخصائص المعقدة وغير الخطية لبيانات أسعار الزراعة.
يقترح المؤلفون نموذجًا هجينًا جديدًا، VMD-SGMD-LSTM، الذي يدمج تحليل الوضع المتغير (VMD) وتحليل الوضع العام الثانوي (SGMD) لتحسين تفكيك الإشارة، تليه الشبكات العصبية الذاكرة الطويلة والقصيرة الأجل (LSTM) للتنبؤ. يهدف هذا النهج إلى تحسين دقة التنبؤ من خلال تقليل الضوضاء بشكل فعال والتقاط الخصائص الأساسية للأسعار. توضح المقدمة مساهمات الدراسة، بما في ذلك تطبيق تقنيات التفكيك الثانوي في التنبؤ بأسعار الزراعة وبناء نموذج هجين قوي يعالج قيود المنهجيات السابقة. ستفصل الأقسام التالية من الورقة مكونات النموذج، وتقييم أدائه التنبؤي، وتختتم بالنتائج المستخلصة من البحث.
طرق
تتضمن المنهجية المستخدمة في هذه الدراسة نموذجًا هجينًا يدمج تحليل الوضع المتغير (VMD) وتحليل الطيف الفردي (SGMD) مع الشبكات العصبية الذاكرة الطويلة والقصيرة الأجل (LSTM). في البداية، يتم إخضاع سلسلة أسعار العقود الآجلة الأصلية لـ VMD-SGMD، وهي تقنية تفكيك تربيعية تبسط التسلسل وتعزز قابليته للتفسير. تعتبر هذه الخطوة المسبقة حاسمة لأنها تقلل من تعقيد البيانات، مما يسمح بنمذجة أكثر فعالية.
بعد ذلك، يتم استخدام التسلسل المفكك والمعاد بناؤه كمدخل لنموذج LSTM، المعروف بقدرته على التقاط الاعتماد الزمني في بيانات السلاسل الزمنية. لا يقتصر دمج VMD-SGMD مع LSTM على تبسيط البيانات فحسب، بل يعزز أيضًا الأداء التنبؤي للنموذج بشكل كبير، مما يوضح فعالية هذا النهج الهجين في التنبؤ بأسعار العقود الآجلة.
نتائج
في هذا القسم، تركز التحليل التجريبي على التنبؤ بأسعار العقود الآجلة للقمح القوي والذرة والسكر، المصنفة كحالة I، حالة II، وحالة III، على التوالي. تسلط الدراسة الضوء على التطور السريع لسوق العقود الآجلة الزراعية في الصين على مدار الثلاثين عامًا الماضية، مع التأكيد على التحول نحو آلية تسعير مدفوعة بالسوق وسط تقلبات أسعار المنتجات الزراعية المتأثرة بالطلب، وتكاليف الإنتاج، وديناميات السوق الدولية. أظهر نموذج VMD-SGMD-LSTM الهجين المقترح أداءً تفوقيًا في التنبؤ عبر جميع السيناريوهات، مما يثبت فعاليته في التنبؤ بأسعار العقود الآجلة الزراعية.
على وجه الخصوص، تكشف تحليل الحالة I أن نموذج الذاكرة الطويلة والقصيرة الأجل (LSTM) يتفوق على النماذج التقليدية مثل الشبكات العصبية المتكررة (RNN) والشبكات العصبية الاصطناعية (ANN) في التنبؤ بأسعار عقود القمح القوي. على سبيل المثال، في التنبؤ بخطوة واحدة للأمام، حسّن LSTM متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ النسبي المطلق (MAPE)، ومقاييس الخطأ الأخرى بهامش كبير مقارنة بـ RNN وANN. يُعزى هذا التفوق إلى قدرة LSTM المحسّنة في معالجة بيانات السلاسل الزمنية المعقدة. علاوة على ذلك، يظهر النموذج الهجين، الذي يدمج تقنيات التفكيك، تحسينات ملحوظة في دقة التنبؤ مقارنة بنموذج LSTM المستقل. تؤكد الحالتان II وIII، اللتان تتعلقان بأسعار عقود الذرة والسكر، على قدرة النموذج وفعاليته، كما هو موضح في الجداول والأشكال المرفقة التي تفصل نتائج التنبؤ وقدرات ملاءمة النموذج.
مناقشة
تتناول قسم المناقشة في ورقة البحث المنهجيات المستخدمة في نموذج VMD-SGMD-LSTM الهجين للتنبؤ بأسعار العقود الآجلة الزراعية. يقوم خوارزمية تحليل الوضع المتغير (VMD) بتفكيك إشارات الاهتزاز بشكل فعال إلى مكونات وضعية نادرة، مع تحسين الحد الأدنى من عرض النطاق الترددي مع ضمان أن مجموع هذه المكونات يعيد بناء الإشارة الأصلية. تسهل إدخال عامل عقوبة تربيعي وضربات لاغرانج تحويل المشكلة المقيدة إلى مشكلة غير مقيدة، مما يعزز دقة إعادة بناء الإشارة، خاصة في وجود الضوضاء. يقوم تحليل الوضع الهندسي التبادلي (SGMD) بعد ذلك بإعادة بناء فضاء الطور لإشارة الاهتزاز، باستخدام ميكانيكا هاملتونية لاشتقاق القيم الذاتية والمتجهات الذاتية، والتي يتم بعد ذلك متوسطها لتشكيل مكونات هندسية مستقلة.
يجمع النموذج الهجين بين نقاط القوة في VMD وSGMD مع الشبكات العصبية الذاكرة الطويلة والقصيرة الأجل (LSTM)، التي تعالج مشكلة تلاشي التدرج الموجودة في الشبكات العصبية المتكررة التقليدية. يسمح هذا الجمع بتحسين دقة التنبؤ من خلال معالجة بيانات السلاسل الزمنية بشكل فعال، وبالتالي التقاط التقلبات المعقدة في أسعار الزراعة. تظهر النتائج التجريبية أن نموذج VMD-SGMD-LSTM يتفوق على نماذج مرجعية مختلفة، بما في ذلك تقنيات التفكيك الفردية والنماذج التنبؤية التقليدية، عبر سيناريوهات التنبؤ المتعددة. تتجلى قوة النموذج من خلال أدائه المتسق في التنبؤ بأسعار القمح القوي والذرة والسكر، مما يبرز إمكانيته المفيدة للمستثمرين وصانعي السياسات في إدارة المخاطر المرتبطة بتقلب أسعار الزراعة. تشمل اتجاهات البحث المستقبلية دمج العوامل الخارجية المؤثرة على أسعار الزراعة لتعزيز دقة التنبؤ بشكل أكبر.
DOI: https://doi.org/10.3389/fsufs.2024.1334098
Publication Date: 2024-02-19
Author(s): Tingting Zhang et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper addresses the stability of agricultural futures markets, emphasizing the importance of accurate price predictions for social and economic development. It introduces a novel VMD-SGMD-LSTM model that integrates Variational Mode Decomposition (VMD) and Stochastic Gradient Descent Method (SGMD) with Long Short-Term Memory (LSTM) networks to enhance forecasting accuracy. The model first decomposes the original futures price data using VMD, processes the residual components with SGMD, and then employs LSTM to predict these components. Empirical studies conducted on wheat, corn, and sugar futures in the Chinese market demonstrate that the proposed hybrid model outperforms existing benchmark models in terms of forecasting ability and robustness across various prediction horizons (1-step, 2-step, and 4-step ahead).
In conclusion, the findings suggest that improved forecasting accuracy can facilitate better hedging strategies for investors, aiding in asset allocation and risk management. Additionally, the paper recommends that the government enhance the agricultural futures market by diversifying the range of tradable products for foreign investors, which could enrich market participation and information flow. Future research directions include examining the impacts of external factors such as geopolitical events and natural disasters on agricultural prices, with the aim of incorporating these variables into the predictive model to further refine its accuracy and interpretative power.
Introduction
The introduction of the research paper emphasizes the critical role of price data in agricultural futures markets for investment decisions and risk management. It highlights the necessity for a more scientific depiction of price fluctuations and the development of effective predictive models due to the inherent risks associated with price volatility, which is influenced by various factors such as supply and demand, socio-economic changes, and climate conditions. The paper categorizes existing forecasting methods into econometric, artificial intelligence, and hybrid models, noting the limitations of traditional econometric approaches in capturing the complex, non-linear characteristics of agricultural price data.
The authors propose a novel hybrid model, VMD-SGMD-LSTM, which integrates Variational Mode Decomposition (VMD) and Secondary Generalized Mode Decomposition (SGMD) for enhanced signal decomposition, followed by Long Short-Term Memory (LSTM) for forecasting. This approach aims to improve prediction accuracy by effectively reducing noise and capturing essential price characteristics. The introduction outlines the contributions of the study, including the application of secondary decomposition techniques in agricultural price forecasting and the construction of a robust hybrid model that addresses the limitations of previous methodologies. The subsequent sections of the paper will detail the model’s components, evaluate its predictive performance, and conclude with findings from the research.
Methods
The methodology employed in this study involves a hybrid model that integrates Variational Mode Decomposition (VMD) and Singular Spectrum Analysis (SGMD) with Long Short-Term Memory (LSTM) networks. Initially, the original futures price series is subjected to VMD-SGMD, a quadratic decomposition technique that simplifies the sequence and enhances its interpretability. This preprocessing step is crucial as it reduces the complexity of the data, allowing for more effective modeling.
Subsequently, the decomposed and reconstructed sequence is utilized as input for the LSTM model, which is known for its capability to capture temporal dependencies in time series data. The combination of VMD-SGMD with LSTM not only streamlines the data but also significantly boosts the predictive performance of the model, demonstrating the efficacy of this hybrid approach in forecasting futures prices.
Results
In this section, the empirical analysis focuses on forecasting futures prices for strong wheat, corn, and sugar, categorized as Case I, Case II, and Case III, respectively. The study highlights the rapid development of China’s agricultural futures market over the past 30 years, emphasizing a shift towards a market-driven pricing mechanism amidst fluctuating agricultural product prices influenced by demand, production costs, and international market dynamics. The proposed VMD-SGMD-LSTM hybrid model demonstrated superior forecasting performance across all scenarios, validating its effectiveness in predicting agricultural futures prices.
Specifically, the analysis of Case I reveals that the Long Short-Term Memory (LSTM) model outperforms traditional models such as Recurrent Neural Networks (RNN) and Artificial Neural Networks (ANN) in predicting strong wheat futures prices. For instance, in 1-step ahead forecasting, LSTM improved the mean absolute error (MAE), mean absolute percentage error (MAPE), and other error metrics by significant margins compared to RNN and ANN. This superiority is attributed to LSTM’s enhanced capability in processing complex time series data. Furthermore, the hybrid model, which integrates decomposition techniques, shows marked improvements in forecasting accuracy over the standalone LSTM model. Cases II and III, involving corn and sugar futures prices, further corroborate the model’s adaptability and effectiveness, as illustrated in the accompanying tables and figures that detail the forecasting results and model fitting abilities.
Discussion
The discussion section of the research paper elaborates on the methodologies employed in the VMD-SGMD-LSTM hybrid model for predicting agricultural futures prices. The Variational Mode Decomposition (VMD) algorithm effectively decomposes vibration signals into sparse modal components, optimizing for minimal bandwidth while ensuring the sum of these components reconstructs the original signal. The introduction of a quadratic penalty factor and Lagrange multipliers facilitates the transformation of the constrained problem into an unconstrained one, enhancing signal reconstruction accuracy, particularly in the presence of noise. The subsequent Symplectic Geometric Mode Decomposition (SGMD) reconstructs the phase space of the vibration signal, utilizing Hamiltonian mechanics to derive eigenvalues and eigenvectors, which are then averaged to form independent geometric components.
The hybrid model integrates the strengths of VMD and SGMD with Long Short-Term Memory (LSTM) networks, which address the gradient vanishing problem inherent in traditional recurrent neural networks. This combination allows for improved prediction accuracy by effectively preprocessing time series data, thus capturing the complex fluctuations in agricultural prices. Empirical results demonstrate that the VMD-SGMD-LSTM model outperforms various benchmark models, including single decomposition techniques and traditional forecasting models, across multiple forecasting scenarios. The model’s robustness is evidenced by its consistent performance in predicting prices for strong wheat, corn, and sugar, underscoring its potential utility for investors and policymakers in managing risks associated with agricultural price volatility. Future research directions include incorporating external factors affecting agricultural prices to further enhance predictive accuracy.