DOI: https://doi.org/10.1371/journal.pone.0341559
PMID: https://pubmed.ncbi.nlm.nih.gov/41875101
تاريخ النشر: 2026-03-24
المؤلف: Jiaolong Li وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه الدراسة نموذج توقع هجين، EEMD-DilatedLSTM، لتوقع أسعار عقود النيكل الآجلة، مع التأكيد على الدور الحاسم للنيكل في إنتاج الفولاذ المقاوم للصدأ، وبطاريات السيارات الكهربائية، والسبائك المتقدمة. يدمج النموذج تحليل النمط التجميعي التجريبي (EEMD) لتفكيك البيانات متعددة المقاييس مع شبكة الذاكرة طويلة وقصيرة المدى المتوسعة (Dilated LSTM) لتحسين استخراج الميزات الزمنية. تشير النتائج التجريبية إلى أن نموذج EEMD-DilatedLSTM يتفوق بشكل كبير على خوارزميات التوقع التقليدية عبر آفاق زمنية متنوعة، محققًا أقصى ملاءمة (R = 0.928) وأقل خطأ (MAPE = 1.20%) في التوقعات قصيرة الأجل، مع الحفاظ على أداء قوي في التوقعات طويلة الأجل.
تكشف التحليلات أن أسعار النيكل مرتبطة ارتباطًا وثيقًا بأسعار النحاس والفضة والألمنيوم، مما يبرز أهمية دمج هذه المتغيرات الخارجية في نموذج التوقع. تؤكد اختبارات الإزالة في الدراسة أن تضمين هذه المتغيرات يعزز دقة التوقع. علاوة على ذلك، تشير تشخيصات SHAP إلى أن المكونات ذات التردد المنخفض، وخاصة وظائف النمط الداخلي IMF_8 وIMF_9، حاسمة لدقة التوقع، متماشية مع الأسس السوقية التي تظهر تأخيرات هيكلية تتراوح بين 2-4 سنوات. بشكل عام، توفر هذه الأبحاث إطارًا منهجيًا شاملاً لتوقع أسعار المعادن الاستراتيجية، مما يقدم رؤى لإدارة المخاطر وصياغة السياسات الصناعية.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للنيكل في مختلف الصناعات، وخاصة في بطاريات السيارات الكهربائية، وإنتاج الفولاذ المقاوم للصدأ، ومواد الفضاء. نظرًا للتأثير الكبير لتقلبات أسعار النيكل على هذه القطاعات، فإن التوقع الدقيق لأسعار النيكل أمر ضروري. تكافح النماذج الاقتصادية التقليدية، مثل المتوسط المتحرك التكاملي الذاتي (ARIMA) والتباين الشرطي الذاتي العام (GARCH)، مع الطبيعة غير الخطية والديناميكية لحركات أسعار العقود الآجلة. وبالتالي، كان هناك تحول نحو تقنيات التعلم الآلي والتعلم العميق، بما في ذلك الشبكات العصبية الاصطناعية (ANN)، وآلات الدعم الناقل (SVM)، والشبكات العصبية المتكررة (RNN)، التي أظهرت وعدًا في التقاط العلاقات المعقدة في البيانات المالية.
على الرغم من التقدم في دقة التوقع، لا تزال التحديات مثل تلاشي التدرج وانخفاض كفاءة التدريب قائمة، خاصة مع بيانات التسلسل الطويلة. استكشفت الدراسات الحديثة نماذج هجينة تجمع بين منهجيات متنوعة، بما في ذلك تحليل الزمن والتردد والتعلم العميق، لتعزيز أداء التوقع. ومع ذلك، تظل مسألة قابلية تفسير النموذج عائقًا كبيرًا أمام قبول هذه التقنيات المتقدمة، حيث تعمل العديد من النماذج كـ “صناديق سوداء”. تدعو الورقة إلى أن تركز الأبحاث المستقبلية على تحسين قابلية تفسير النموذج من خلال أدوات مثل قيم SHAP، إلى جانب تحسين النماذج الحالية واستكشاف الأطر الهجينة لتعزيز دقة توقعات أسعار عقود النيكل الآجلة.
الطرق
توضح قسم “الطرق” في ورقة البحث المواد والمنهجيات المستخدمة في الدراسة. يتناول التصميم التجريبي، بما في ذلك اختيار المواد، والإجراءات المتبعة، والتقنيات التحليلية المستخدمة لجمع البيانات وتفسيرها. تم هيكلة المنهجية لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها، مع التأكيد على أهمية الأساليب المنهجية في البحث العلمي.
تسلط النتائج الرئيسية من المنهجية الضوء على فعالية التقنيات المختارة في معالجة الأسئلة البحثية المطروحة. قد يناقش القسم أيضًا أي تحليلات إحصائية تم إجراؤها، بما في ذلك الأسباب وراء اختيار طرق معينة، مما يساهم في قوة استنتاجات الدراسة. بشكل عام، تعتبر المنهجية أساسًا حاسمًا للتحقق من نتائج البحث المقدمة في الأقسام اللاحقة.
النتائج
تظهر نتائج الدراسة حول نموذج EEMD-DilatedLSTM لتوقع أسعار عقود النيكل الآجلة فعالية دمج تحليل النمط التجميعي التجريبي (EEMD) مع شبكة الذاكرة طويلة وقصيرة المدى المتوسعة (LSTM). تم تطبيق EEMD على سلسلة الأسعار الخام، مما أسفر عن تسع وظائف نمط داخلي (IMFs) ومكون اتجاه واحد، والتي تمت معالجتها بعد ذلك بواسطة LSTM متوسعة مكونة من ثلاث طبقات تم تكوينها بنمط توسع أسي (1-2-4) و64 وحدة مخفية لكل طبقة. تم تدريب النموذج باستخدام مُحسِّن آدم بمعدل تعلم قدره \(1 \times 10^{-3}\). تم استخدام نماذج مرجعية متنوعة، بما في ذلك N-HiTS وGRU وFEDformer، للتحليل المقارن، مع التركيز على قدراتها في التقاط الميزات متعددة المقاييس والاعتمادات في بيانات السلاسل الزمنية.
كشفت تحليل الارتباط عن علاقات كبيرة بين النيكل والمعادن الأخرى، وخاصة ارتباط إيجابي قوي مع الألمنيوم (معامل الارتباط 0.81)، مما يشير إلى أن أسعار الألمنيوم يمكن أن تكون مؤشرًا للنيكل. أبرز تحليل EEMD مكونات تردد متميزة: IMFs ذات التردد العالي (IMF1-IMF3) التي تلتقط التقلبات قصيرة الأجل، وIMFs ذات التردد المتوسط (IMF4-IMF6) التي تشير إلى الاتجاهات متوسطة الأجل، وIMFs ذات التردد المنخفض (IMF7-IMF9) التي تعكس ديناميات الأسعار طويلة الأجل. أشار المكون العام للاتجاه إلى مسار تصاعدي مستقر في أسعار النيكل من 2015 إلى 2025، مدفوعًا بزيادة الطلب في التطبيقات الصناعية، وخاصة في بطاريات السيارات الكهربائية. تم استخدام مقاييس الأداء مثل ملاءمة النموذج ومتوسط النسبة المئوية المطلقة للخطأ (MAPE) لتقييم دقة التوقع للنماذج عبر آفاق توقع متعددة، مما يؤكد قوة نهج EEMD-DilatedLSTM في توقع السلاسل الزمنية.
المناقشة
في هذا القسم، تناقش الأبحاث تطوير وتقييم نموذج توقع هجين جديد، EEMD-DilatedLSTM، يهدف إلى تحسين دقة توقعات أسعار عقود النيكل الآجلة. يدمج النموذج تحليل النمط التجميعي التجريبي (EEMD) مع الذاكرة طويلة وقصيرة المدى المتوسعة (Dilated LSTM) لإدارة تعقيدات بيانات السلاسل الزمنية غير الخطية بشكل فعال. يتم استخدام EEMD لتفكيك سلسلة أسعار النيكل إلى عدة وظائف نمط داخلي (IMFs)، مما يعزز استخراج الميزات الهامة عبر مقاييس زمنية متنوعة. تعتبر هذه الخطوة المسبقة حاسمة لتخفيف خلط الأنماط وتوفير مدخلات مستقرة للنموذج التنبؤي. تعزز بنية Dilated LSTM، التي تتميز باتصالات تخطي متكررة موسعة، بشكل كبير قدرة النموذج على التقاط الاعتمادات طويلة الأجل مع تحسين كفاءة التدريب.
يتم تقييم أداء نموذج EEMD-DilatedLSTM بدقة مقابل عدة معايير، مما يظهر دقة تنبؤية متفوقة عبر آفاق متعددة (h = 1-7). تؤكد الاختبارات الإحصائية أن التحسينات في دقة التوقعات كبيرة، حيث حقق النموذج متوسط نسبة خطأ مطلقة (MAPE) قدرها 1.20% فقط في التوقعات قصيرة الأجل. بالإضافة إلى ذلك، تؤكد الدراسة على أهمية قابلية تفسير النموذج من خلال تحليل قيم SHAP، الذي يوضح مساهمات الميزات الفردية في توقعات النموذج. بشكل عام، تؤكد النتائج فعالية دمج EEMD مع تقنيات التعلم العميق المتقدمة لتعزيز قدرات التوقع في الأسواق المالية، وخاصة للأصول المعقدة والمتقلبة مثل عقود النيكل الآجلة.
القيود
تسلط القيود في هذه الدراسة حول توقعات مستوى الأسعار، التي تركز على الآفاق القصيرة إلى المتوسطة (h = 1-7) باستخدام أسعار المعادن القابلة للرصد في السوق كإشارات خارجية، الضوء على عدة مجالات للبحث المستقبلي. تشمل التوسعات الرئيسية تصميم تقييمات مستهدفة للأحداث المتطرفة، مثل جائحة COVID-19 وصراع روسيا وأوكرانيا، مع نوافذ مسجلة مسبقًا لتخفيف التحيز بعد الحدث. بالإضافة إلى ذلك، سيتم السعي لدمج المتغيرات الاقتصادية الكلية والسياسات—مثل أسعار الفائدة، ومؤشر الدولار الأمريكي (DXY)، ومؤشر مكتب أبحاث السلع (CRB)، وشدة سياسة السيارات الكهربائية—باستخدام طرق LASSO أو الاختيار التدريجي لتعزيز قابلية التفسير مع منع تسرب البيانات.
ستشمل الأبحاث المستقبلية أيضًا إجراء تحليلات شاملة لحساسية المعلمات لمدى ضوضاء تحليل النمط التجميعي التجريبي (EEMD) وجداول التمدد. تهدف الدراسة إلى توسيع آفاق توقعاتها إلى 1 و3 أشهر، مع مقارنة ضد توقعات المؤسسات المتوسطة والطويلة الأجل. علاوة على ذلك، سيتم تقديم وحدة توقع التقلبات، باستخدام أهداف التقلبات المحققة (RV) وأساسيات GARCH/التقلبات العشوائية (SV). أخيرًا، ستترجم الأبحاث التوقعات إلى اختبارات تداول خاضعة للرقابة على المخاطر، مع الأخذ في الاعتبار تكاليف المعاملات، والهامش، ونسبة شارب، وأقصى انخفاض.
DOI: https://doi.org/10.1371/journal.pone.0341559
PMID: https://pubmed.ncbi.nlm.nih.gov/41875101
Publication Date: 2026-03-24
Author(s): Jiaolong Li et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This study introduces a hybrid forecasting model, EEMD-DilatedLSTM, for predicting nickel futures prices, emphasizing nickel’s critical role in stainless steel production, electric vehicle batteries, and advanced alloys. The model integrates Ensemble Empirical Mode Decomposition (EEMD) for multi-scale data decomposition with a Dilated Long Short-Term Memory (Dilated LSTM) network for enhanced temporal feature extraction. Empirical results indicate that the EEMD-DilatedLSTM model significantly outperforms traditional forecasting algorithms across various time horizons, achieving a maximum goodness-of-fit (R = 0.928) and minimal error (MAPE = 1.20%) in short-term predictions, while maintaining robust performance in longer-term forecasts.
The analysis reveals that nickel prices are closely correlated with those of copper, silver, and aluminum, highlighting the importance of incorporating these exogenous variables into the forecasting model. The study’s ablation tests confirm that including these covariates enhances predictive accuracy. Furthermore, SHAP diagnostics indicate that low-frequency components, particularly intrinsic mode functions IMF_8 and IMF_9, are crucial for forecast accuracy, aligning with market fundamentals that exhibit structural lags of 2-4 years. Overall, this research provides a comprehensive methodological framework for strategic metal price forecasting, offering insights for risk management and industrial policy formulation.
Introduction
The introduction of the research paper emphasizes the critical role of nickel in various industries, particularly in electric vehicle batteries, stainless steel production, and aerospace materials. Given the significant impact of nickel price fluctuations on these sectors, accurate forecasting of nickel prices is essential. Traditional econometric models, such as Autoregressive Integrated Moving Average (ARIMA) and Generalized Autoregressive Conditional Heteroscedasticity (GARCH), struggle with the nonlinear and dynamic nature of futures price movements. Consequently, there has been a shift towards machine learning and deep learning techniques, including Artificial Neural Networks (ANN), Support Vector Machines (SVM), and Recurrent Neural Networks (RNN), which have shown promise in capturing complex relationships in financial data.
Despite advancements in prediction accuracy, challenges such as gradient vanishing and low training efficiency persist, particularly with long-sequence data. Recent studies have explored hybrid models that combine various methodologies, including time-frequency analysis and deep learning, to enhance forecasting performance. However, the issue of model interpretability remains a significant barrier to the acceptance of these advanced techniques, as many models operate as “black boxes.” The paper calls for future research to focus on improving model interpretability through tools like SHAP values, alongside optimizing existing models and exploring hybrid frameworks to further enhance the accuracy of nickel futures price predictions.
Methods
The “Methods” section of the research paper outlines the materials and methodologies employed in the study. It details the experimental design, including the selection of materials, the procedures followed, and the analytical techniques utilized to gather and interpret data. The methodology is structured to ensure reproducibility and reliability of results, emphasizing the importance of systematic approaches in scientific inquiry.
Key findings from the methodology highlight the effectiveness of the chosen techniques in addressing the research questions posed. The section may also discuss any statistical analyses performed, including the rationale for selecting specific methods, which contributes to the robustness of the study’s conclusions. Overall, the methodology serves as a critical foundation for validating the research outcomes presented in subsequent sections.
Results
The results of the study on the EEMD-DilatedLSTM model for forecasting nickel futures prices demonstrate the effectiveness of combining Ensemble Empirical Mode Decomposition (EEMD) with a dilated Long Short-Term Memory (LSTM) network. EEMD was applied to the raw price series, resulting in nine intrinsic mode functions (IMFs) and one trend component, which were subsequently processed by a three-layer dilated LSTM configured with an exponential dilation pattern (1-2-4) and 64 hidden units per layer. The model was trained using the Adam optimizer with a learning rate of \(1 \times 10^{-3}\). Various benchmark models, including N-HiTS, GRU, and FEDformer, were employed for comparative analysis, focusing on their capabilities to capture multi-scale features and dependencies in the time series data.
The correlation analysis revealed significant relationships between nickel and other metals, particularly a strong positive correlation with aluminum (correlation coefficient of 0.81), suggesting that aluminum prices could serve as a predictor for nickel. The EEMD decomposition highlighted distinct frequency components: high-frequency IMFs (IMF1-IMF3) capturing short-term fluctuations, medium-frequency IMFs (IMF4-IMF6) indicating mid-term trends, and low-frequency IMFs (IMF7-IMF9) reflecting long-term price dynamics. The overall trend component indicated a stable upward trajectory in nickel prices from 2015 to 2025, driven by increasing demand in industrial applications, particularly in electric vehicle batteries. Performance metrics such as the goodness-of-fit and Mean Absolute Percentage Error (MAPE) were utilized to evaluate the predictive accuracy of the models across multiple forecasting horizons, confirming the robustness of the EEMD-DilatedLSTM approach in time series forecasting.
Discussion
In this section, the research discusses the development and evaluation of a novel hybrid forecasting model, EEMD-DilatedLSTM, aimed at improving the accuracy of nickel futures price predictions. The model integrates Ensemble Empirical Mode Decomposition (EEMD) with Dilated Long Short-Term Memory (Dilated LSTM) to effectively manage the complexities of nonlinear time series data. EEMD is employed to decompose the nickel price series into multiple Intrinsic Mode Functions (IMFs), enhancing the extraction of significant features across various time scales. This preprocessing step is crucial for mitigating mode mixing and providing stable inputs for the predictive model. The Dilated LSTM architecture, characterized by dilated recurrent skip connections, significantly enhances the model’s ability to capture long-term dependencies while optimizing training efficiency.
The performance of the EEMD-DilatedLSTM model is rigorously evaluated against several benchmarks, demonstrating superior predictive accuracy across multiple horizons (h = 1-7). Statistical tests confirm that the improvements in forecasting accuracy are significant, with the model achieving a mean absolute percentage error (MAPE) of just 1.20% in short-term predictions. Additionally, the study emphasizes the importance of model interpretability through SHAP value analysis, which elucidates the contributions of individual features to the model’s predictions. Overall, the findings underscore the effectiveness of combining EEMD with advanced deep learning techniques to enhance forecasting capabilities in financial markets, particularly for complex and volatile assets like nickel futures.
Limitations
The limitations of this study on price-level forecasts, which focuses on short-to-medium horizons (h = 1-7) using market-observable metal prices as exogenous signals, highlight several areas for future research. Key extensions include the design of targeted evaluations for extreme events, such as the COVID-19 pandemic and the Russia-Ukraine conflict, with pre-registered windows to mitigate ex-post bias. Additionally, the incorporation of macroeconomic and policy variables—such as interest rates, the U.S. Dollar Index (DXY), the Commodity Research Bureau (CRB) index, and electric vehicle policy intensity—will be pursued, utilizing LASSO or stepwise selection methods to enhance interpretability while preventing data leakage.
Further research will also involve conducting comprehensive parameter sensitivity analyses for the Ensemble Empirical Mode Decomposition (EEMD) noise amplitude and dilation schedules. The study aims to extend its forecasting horizons to 1 and 3 months, benchmarking against institutional medium- and long-term outlooks. Moreover, a volatility-forecasting module will be introduced, employing realized volatility (RV) targets and GARCH/stochastic volatility (SV) baselines. Finally, the research will translate forecasts into risk-controlled trading backtests, considering transaction costs, margins, the Sharpe ratio, and maximum drawdown.