DOI: https://doi.org/10.1186/s40537-025-01131-8
تاريخ النشر: 2025-04-11
المؤلف: R. L. Manogna وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
نظرة عامة
تبحث هذه الدراسة في توقع تقلبات أسعار الزراعة من خلال نموذج هجين يجمع بين الشبكات العصبية طويلة وقصيرة الأجل (LSTM) ونموذج التباين الشرطي الذاتي العام (GARCH). نظرًا للتداعيات الحرجة لتقلب الأسعار على الأمن الغذائي والاستقرار الاقتصادي، لا سيما في الدول النامية مثل الهند، تستخدم الدراسة بيانات تاريخية شاملة عن الأسعار من 23 سلعة عبر 165 سوقًا بين فبراير 2010 ويونيو 2024. تشير النتائج إلى أن نموذج LSTM-GARCH الهجين يتفوق بشكل كبير على النماذج الاقتصادية التقليدية ونماذج التعلم العميق المستقلة، مما يعزز دقة التوقعات والموثوقية في معالجة عدم استقرار الأسعار.
في التحليل المقارن، أظهرت النماذج التقليدية مثل GARCH ونموذجه غير المتناظر GJR-GARCH، إلى جانب المتوسط المتحرك المرجح أسيًا (EWMA) ونموذج الخطأ المضاعف (MEM)، قيودًا في التقاط الديناميات المعقدة وغير الخطية لحركات أسعار الزراعة. على النقيض من ذلك، يدمج نموذج LSTM-GARCH بفعالية نقاط القوة في كلا المنهجين، ويتعامل بمهارة مع تجمع التقلبات والاعتماديات طويلة الأجل. لا توفر الأداء المتفوق لهذا النهج الهجين رؤى قيمة لصانعي السياسات وأصحاب المصلحة في إدارة مخاطر السوق فحسب، بل تقدم أيضًا تطبيقات عملية للأعمال في سلاسل الإمداد الزراعية، مما يمكنها من تحسين استراتيجيات الشراء والتخفيف من الآثار السلبية لتقلبات الأسعار. بشكل عام، يمثل نموذج LSTM-GARCH تقدمًا كبيرًا في توقع تقلبات أسعار الزراعة، مع تداعيات لتعزيز الأمن الغذائي والاستقرار الاقتصادي.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الحرجة لتقلب أسعار الزراعة، والتي تشكل تحديات كبيرة للاقتصادات العالمية المعتمدة على الزراعة من أجل الأمن الغذائي والاستقرار الاقتصادي. على عكس السلع الصناعية، تتأثر أسعار الزراعة بعوامل غير متوقعة مثل تغير المناخ، والكوارث الطبيعية، والصراعات الجيوسياسية، مما يؤدي إلى حركات أسعار غير منتظمة. تسلط الورقة الضوء على أن تغير المناخ يزيد من التقلبات من خلال أنماط الطقس غير المنتظمة والأحداث المتطرفة، بينما تعقد العولمة والتداول المضاربي الديناميات السعرية. تكافح النماذج الاقتصادية التقليدية، مثل GARCH، للتنبؤ بدقة بهذه التقلبات السعرية بسبب افتراضاتها الخطية، التي لا تلتقط السلوكيات المعقدة وغير الخطية المتأصلة في الأسواق الزراعية.
لتحسين دقة التوقعات، تدعو الورقة إلى نهج هجين يدمج الشبكات العصبية طويلة وقصيرة الأجل (LSTM) مع نماذج GARCH. يستفيد هذا النموذج الهجين LSTM-GARCH من نقاط القوة في كلا المنهجين: تتفوق LSTMs في تحديد الأنماط في البيانات المتسلسلة، بينما يقوم GARCH بنمذجة تجمع التقلبات بفعالية. تشير الدراسات التجريبية إلى أن هذا النموذج الهجين يتفوق على الطرق التقليدية في توقع أسعار السلع المتقلبة، مما يعزز اتخاذ القرار لأصحاب المصلحة، بما في ذلك صانعي السياسات والمزارعين أصحاب الحيازات الصغيرة. تهدف الدراسة إلى تعزيز فهم ديناميات أسعار الزراعة والمساهمة في تطوير أسواق زراعية أكثر مرونة، مما يدعم في النهاية الأمن الغذائي العالمي والاستقرار الاقتصادي.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث لمعالجة أهداف الدراسة. يتناول التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة مقاييس نوعية وكمية، مما يضمن تحليلًا شاملاً للبيانات.
شملت جمع البيانات استبيانات منظمة وتجارب محكومة، حيث تم تجنيد المشاركين بناءً على معايير إدراج محددة لضمان الصلة بأسئلة البحث. تم إجراء تحليلات إحصائية باستخدام برامج مناسبة، مع تحديد مستويات الدلالة لتحديد صحة النتائج. تؤكد المنهجية على إمكانية التكرار والصرامة، مما يوفر إطارًا واضحًا للبحوث المستقبلية في هذا المجال.
النتائج
تسلط النتائج المقدمة في هذا القسم الضوء على أداء خمسة نماذج مختلفة—GARCH، GJR-GARCH، EWMA، MEM، وLSTM-GARCH—في توقع التقلبات عبر سلع متنوعة، كما تم قياسها بواسطة مقاييس مثل RMSE، RNMSE، MAE، ومتوسط نسبة الخطأ المطلق (MAPE). يظهر نموذج LSTM-GARCH كأكثر نهج فعّال، حيث يتفوق باستمرار على النماذج الأخرى من حيث الدقة. على النقيض، تكافح نماذج GARCH وGJR-GARCH، على الرغم من تحسينها قليلاً من خلال اعتبار الأخيرة للتأثيرات غير المتناظرة، لالتقاط أنماط التقلبات غير الخطية النموذجية في الأسواق الزراعية بسبب اعتمادها على الافتراضات الخطية.
يظهر نموذج EWMA أداءً ضعيفًا عبر معظم السلع، ويرجع ذلك أساسًا إلى طبيعته البسيطة وعدم قدرته على التكيف مع الديناميات السعرية المعقدة. على الرغم من أن نموذج MEM يظهر نجاحًا معتدلًا وأحيانًا يتجاوز GARCH وEWMA، إلا أنه لا يزال يفشل في مطابقة دقة التوقعات لنموذج LSTM-GARCH. يسمح الهيكل الهجين لنموذج LSTM-GARCH، الذي يجمع بين نقاط قوة الشبكات العصبية LSTM ونماذج GARCH، بالتقاط كل من الاعتماديات طويلة الأجل وتجمع التقلبات قصيرة الأجل بفعالية. تعتبر هذه القابلية للتكيف مفيدة بشكل خاص للسلع ذات التقلبات السعرية العالية، حيث غالبًا ما تفشل النماذج التقليدية. بشكل عام، تؤكد النتائج على قوة ومرونة نموذج LSTM-GARCH، مما يجعله أداة حيوية لأصحاب المصلحة في الأسواق الزراعية الذين يسعون لتعزيز إدارة المخاطر واتخاذ القرارات.
المناقشة
تسلط المناقشة الضوء على القضية المستمرة لتقلب أسعار الزراعة، لا سيما في الاقتصادات النامية حيث تؤثر بشكل كبير على دخل الأسر والأمن الغذائي. تم استخدام نماذج اقتصادية تقليدية مثل GARCH ونسخها على نطاق واسع لنمذجة التقلبات ولكنها غالبًا ما تفشل في التقاط الديناميات غير الخطية والصدمات الخارجية السائدة في الأسواق الزراعية. بينما تعالج هذه النماذج تجمع التقلبات بفعالية، فإنها تكافح مع التغيرات المفاجئة بسبب عوامل مثل الشذوذات الجوية والتدخلات السياسية. تُظهر التطورات الأخيرة في التعلم الآلي، لا سيما من خلال الشبكات العصبية طويلة وقصيرة الأجل (LSTM)، وعدًا في تحسين توقعات التقلبات من خلال التقاط الاتجاهات الموسمية والصدمات الخارجية. ومع ذلك، فإن الطبيعة “الصندوق الأسود” لنماذج التعلم العميق ومتطلبات البيانات الخاصة بها تطرح تحديات للتطبيقات العملية.
تجمع النماذج الهجينة، مثل LSTM-GARCH، بين نقاط القوة في الأساليب الاقتصادية التقليدية وتقنيات التعلم العميق، بهدف تعزيز دقة التوقعات والموثوقية. تشير الأدلة التجريبية إلى أن هذه النماذج الهجينة تتفوق على الطرق المستقلة في الأسواق المالية، ومع ذلك، لا يزال تطبيقها في السياقات الزراعية محدودًا. تحدد المناقشة الفجوات الحرجة في الأبحاث الحالية، بما في ذلك الحاجة إلى تحليلات مقارنة عبر سلع وظروف سوق متنوعة، فضلاً عن تحديات دمج الأساليب الاقتصادية وتقنيات التعلم الآلي. إن معالجة هذه الفجوات أمر ضروري للاعتماد الأوسع على النماذج الهجينة في توقع أسعار الزراعة، مما يمكن أن يفيد أصحاب المصلحة بشكل كبير من خلال توفير توقعات أكثر دقة وتعزيز عمليات اتخاذ القرار في مواجهة التقلبات.
DOI: https://doi.org/10.1186/s40537-025-01131-8
Publication Date: 2025-04-11
Author(s): R. L. Manogna et al.
Primary Topic: Market Dynamics and Volatility
Overview
This study investigates agricultural price volatility forecasting through a hybrid model combining Long Short-Term Memory (LSTM) networks with Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Given the critical implications of price volatility for food security and economic stability, particularly in developing nations like India, the research utilizes extensive historical price data from 23 commodities across 165 markets between February 2010 and June 2024. The findings indicate that the LSTM-GARCH hybrid model significantly outperforms traditional econometric and standalone deep learning models, enhancing predictive accuracy and robustness in addressing price instability.
In the comparative analysis, traditional models such as GARCH and its asymmetric variant GJR-GARCH, along with the Exponentially Weighted Moving Average (EWMA) and Multiplicative Error Model (MEM), demonstrated limitations in capturing the complex, nonlinear dynamics of agricultural price movements. In contrast, the LSTM-GARCH model effectively integrates the strengths of both methodologies, adeptly handling volatility clustering and long-term dependencies. The superior performance of this hybrid approach not only provides valuable insights for policymakers and stakeholders in managing market risks but also offers practical applications for businesses in agricultural supply chains, enabling them to optimize procurement strategies and mitigate the adverse effects of price fluctuations. Overall, the LSTM-GARCH model represents a significant advancement in forecasting agricultural price volatility, with implications for enhancing food security and economic stability.
Introduction
The introduction of this research paper addresses the critical issue of agricultural price volatility, which poses significant challenges for global economies reliant on agriculture for food security and economic stability. Unlike industrial commodities, agricultural prices are influenced by unpredictable factors such as climate change, natural disasters, and geopolitical conflicts, leading to erratic price movements. The paper highlights that climate change exacerbates volatility through erratic weather patterns and extreme events, while globalization and speculative trading further complicate price dynamics. Traditional econometric models, such as GARCH, struggle to accurately forecast these price fluctuations due to their linear assumptions, which do not capture the complex, nonlinear behaviors inherent in agricultural markets.
To improve forecasting accuracy, the paper advocates for a hybrid approach that integrates Long Short-Term Memory (LSTM) networks with GARCH models. This hybrid LSTM-GARCH model leverages the strengths of both methodologies: LSTMs excel at identifying patterns in sequential data, while GARCH effectively models volatility clustering. Empirical studies indicate that this hybrid model outperforms traditional methods in predicting prices of volatile commodities, thereby enhancing decision-making for stakeholders, including policymakers and smallholder farmers. The research aims to advance the understanding of agricultural price dynamics and contribute to the development of more resilient agricultural markets, ultimately supporting global food security and economic stability.
Methods
The methodology section outlines the systematic approach employed in the research to address the study’s objectives. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized to interpret the results. The study employed both qualitative and quantitative measures, ensuring a comprehensive analysis of the data.
Data collection involved structured surveys and controlled experiments, with participants recruited based on specific inclusion criteria to ensure relevance to the research questions. Statistical analyses were conducted using appropriate software, with significance levels set to determine the validity of the findings. The methodology emphasizes replicability and rigor, providing a clear framework for future research in the field.
Results
The results presented in this section highlight the performance of five different models—GARCH, GJR-GARCH, EWMA, MEM, and LSTM-GARCH—in predicting volatility across various commodities, as quantified by metrics such as RMSE, RNMSE, MAE, and Mean Absolute Percentage Error (MAPE). The LSTM-GARCH model emerges as the most effective approach, consistently outperforming the other models in accuracy. In contrast, the GARCH and GJR-GARCH models, while slightly improved by the latter’s consideration of asymmetric effects, struggle to capture the nonlinear volatility patterns typical in agricultural markets due to their reliance on linear assumptions.
The EWMA model exhibits poor performance across most commodities, primarily due to its simplistic nature and inability to adapt to complex price dynamics. Although the MEM model shows moderate success and occasionally surpasses GARCH and EWMA, it still fails to match the predictive accuracy of LSTM-GARCH. The hybrid structure of LSTM-GARCH, which combines the strengths of LSTM networks and GARCH models, allows it to effectively capture both long-term dependencies and short-term volatility clustering. This adaptability is particularly beneficial for commodities with high price volatility, where traditional models often falter. Overall, the findings underscore the robustness and versatility of LSTM-GARCH, positioning it as a vital tool for stakeholders in agricultural markets aiming to enhance risk management and decision-making.
Discussion
The discussion highlights the persistent issue of agricultural price volatility, particularly in developing economies where it significantly affects household incomes and food security. Traditional econometric models like GARCH and its variants have been widely used for volatility modeling but often fall short in capturing the non-linear dynamics and external shocks prevalent in agricultural markets. While these models effectively address volatility clustering, they struggle with abrupt changes due to factors such as weather anomalies and policy interventions. Recent advancements in machine learning, particularly through Long Short-Term Memory (LSTM) networks, show promise in improving volatility forecasting by capturing seasonal trends and external shocks. However, the “black-box” nature of deep learning models and their data requirements pose challenges for practical applications.
Hybrid models, such as the LSTM-GARCH, combine the strengths of traditional econometric approaches with deep learning techniques, aiming to enhance predictive accuracy and robustness. Empirical evidence suggests that these hybrid models outperform standalone methods in financial markets, yet their application in agricultural contexts remains limited. The discussion identifies critical gaps in existing research, including the need for comparative analyses across diverse commodities and market conditions, as well as the challenges of integrating econometric and machine learning techniques. Addressing these gaps is essential for the broader adoption of hybrid models in agricultural price forecasting, which could significantly benefit stakeholders by providing more accurate predictions and enhancing decision-making processes in the face of volatility.