DOI: https://doi.org/10.3389/frai.2026.1714822
PMID: https://pubmed.ncbi.nlm.nih.gov/41858842
تاريخ النشر: 2026-03-04
المؤلف: Sukainah AL-Besher وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
نظرة عامة
تتناول ورقة البحث القدرات التنبؤية لنماذج GARCH التقليدية (GARCH، EGARCH، GJR-GARCH، و MGARCH) مقارنة بشبكة عصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM) لتوقع العوائد والتقلبات لمؤشر تداول (TASI) من 1 يناير 2000 إلى 31 ديسمبر 2022. تسلط الدراسة الضوء على التأثير الكبير لأسعار النفط والذهب على أداء TASI، مما يبرز دورها الحاسم في الاقتصاد السعودي المعتمد على النفط. تستخدم التحليل مقاييس أداء متنوعة، بما في ذلك متوسط الخطأ التربيعي (MSE)، ومتوسط الخطأ المطلق (MAE)، وجذر متوسط الخطأ التربيعي (RMSE)، مما يكشف أنه في حين أن نموذج LSTM يلتقط بفعالية أنماط التقلب غير الخطية، فإن نموذج GJR-GARCH مع توزيع الخطأ العام (GED) يوفر توقعات عائد أفضل.
تشير النتائج إلى أن النماذج الاقتصادية التقليدية لا تزال تنافسية، خاصة في السياقات التي تكون فيها الروابط الاقتصادية الكلية قوية. تؤكد البحث على الآثار العملية للمستثمرين وصانعي السياسات، مشيرة إلى أن نماذج GARCH يمكن أن تكون أدوات قيمة لفهم تقلبات السوق واتخاذ قرارات استثمار مستنيرة. بشكل عام، تسهم الدراسة في الأدبيات المتعلقة بالاقتصاد المالي من خلال مقارنة المنهجيات الاقتصادية ومنهجيات التعلم الآلي، مما يوضح الأهمية المستمرة للنماذج المعتمدة في توقع التقلبات في الأسواق الناشئة مثل السعودية.
مقدمة
تسلط مقدمة الورقة الضوء على الدور الحاسم للأسواق المالية في تعزيز النمو الاقتصادي من خلال تسهيل الادخار الوطني والاستثمار الأجنبي، فضلاً عن ضمان تخصيص الموارد بشكل فعال. تؤكد على أهمية النماذج الكمية المتطورة في إدارة المخاطر واتخاذ قرارات الاستثمار، خاصة في سياق سوق الأسهم السعودي (تداول)، الذي يعد الأكبر في منطقة مجلس التعاون الخليجي (GCC). تشير الورقة إلى أن أداء تداول يتأثر بعوامل داخلية وخارجية، لا سيما تقلبات أسعار النفط، وتنتقد الدراسات السابقة لاستخدامها تقنيات أحادية المتغير تتجاهل هذه العوامل الخارجية، مثل أسعار النفط والذهب.
لمعالجة هذه الفجوات، يقترح المؤلفون استخدام نماذج GARCH وشبكات الذاكرة طويلة وقصيرة الأجل (LSTM) لتحليل العوائد والتقلبات لمؤشر تداول (TASI) من 1 يناير 2000 إلى 31 ديسمبر 2022. يتم تبرير اختيار LSTM بقدرته المثبتة على التقاط الديناميات غير الخطية طويلة الأجل في السلاسل الزمنية المالية، خاصة في الأسواق المتقلبة. تهدف الدراسة إلى دمج أسعار النفط والذهب كمتغيرات تفسيرية لتعزيز دقة التوقعات وتقديم رؤى قيمة لصانعي السياسات والمستثمرين. توضح المقدمة هيكل الورقة، التي تتكون من تسع أقسام، بما في ذلك مراجعة الأدبيات، والمنهجية، والنتائج، ومناقشات حول الآثار العملية والنظرية.
الطرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لنمذجة وتوقع العوائد والتقلبات لمؤشر تداول (TASI) باستخدام مزيج من الأساليب الاقتصادية والتعلم العميق. يدمج النموذج المقترح المتغيرات الخارجية مع شبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، مستفيدًا من الديناميات الخطية للتقلبات والعلاقات غير الخطية التي تلتقطها نماذج GARCH. تعتبر GARCH، كما أشار بولرزليف (1986)، فعالة بشكل خاص في نمذجة التقلبات المعتمدة على الزمن بسبب قدرتها على حساب الابتكارات المربعة التاريخية والتباينات الشرطية المتأخرة، والتي تعتبر ضرورية لالتقاط تجمع التقلبات الذي يُلاحظ عادة في الأسواق المالية.
تستخدم الإعدادات التجريبية بيانات من 2000 إلى 2022، مقسمة إلى مجموعات تدريب واختبار لتسهيل التحليل خارج العينة. يتم تقييم أداء النموذج باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE) وجذر متوسط الخطأ التربيعي (RMSE)، والتي توفر مقاييس كمية لدقة التوقع. تم تصميم المنهجية لضمان الاتساق النظري، والصلابة التجريبية، وإمكانية التكرار الكاملة، بما يتماشى مع النتائج من الدراسات السابقة التي تؤكد تفوق نماذج GARCH على نماذج ARCH التقليدية في توقع العوائد.
المناقشة
في قسم المناقشة من ورقة البحث، يستعرض المؤلفون الأدبيات الحالية حول توقع الأسعار، ونمذجة العوائد والتقلبات، وتطبيق تقنيات الاقتصاد القياسي والتعلم الآلي في الأسواق المالية، مع التركيز بشكل خاص على سوق الأسهم السعودي (TASI). يحددون خيطين رئيسيين في توقعات سوق الأسهم: توقع مستوى السعر ونمذجة العوائد والتقلبات. بينما تم استخدام طرق تعلم الآلة المختلفة، مثل الشبكات العصبية (NN) وآلات الدعم الشعاعي (SVM)، لتوقع الأسعار، فإنها غالبًا ما تتجاهل مقاييس المخاطر الهامة وخصائص التقلب. يؤكد المؤلفون أن تسعير الأصول الفعال وإدارة المخاطر تتطلب فهمًا شاملاً لتوزيعات العوائد والتقلب الشرطي، وهو ما تفشل نماذج توقع الأسعار التقليدية في معالجته.
تسلط الورقة الضوء على الفجوات الكبيرة في الأدبيات، خاصة نقص النماذج المتكاملة التي تأخذ في الاعتبار ديناميات السعر والتقلب في الوقت نفسه، خاصة في سياق المحركات الاقتصادية الكلية الخارجية مثل أسعار النفط والذهب. يقترح المؤلفون سد هذه الفجوات من خلال استخدام نماذج عائلة GARCH وشبكات LSTM لتقدير العوائد والتقلبات لـ TASI بشكل متزامن، مع دمج عوائد النفط والذهب كمتغيرات خارجية. يجادلون بأنه في حين أن النماذج الاقتصادية التقليدية مثل GARCH فعالة، فإن النماذج الهجينة التي تجمع بين الأساليب الاقتصادية والتعلم العميق قد تقدم أداءً تنبؤيًا محسّنًا، خاصة في التقاط أنماط التقلب المعقدة. تشير النتائج إلى أن نماذج LSTM تتفوق على نماذج GARCH في توقع التقلبات، على الرغم من أن نماذج GARCH تظل قوية في سياقات معينة، خاصة عند تقييم تأثير العوامل الخارجية في السوق.
القيود
في هذا القسم، يعترف المؤلفون بعدة قيود متأصلة في بحثهم حول توقع العوائد والتقلبات في TASI (مؤشر تداول). بينما توفر الدراسة رؤى قيمة، من المهم الاعتراف بأن بعض نقاط الضعف قد تؤثر على قوة النتائج وقابليتها للتعميم. قد تنشأ هذه القيود من قيود منهجية، أو توفر البيانات، أو عوامل خارجية تؤثر على سلوك السوق التي لم يتم أخذها في الاعتبار في التحليل.
بشكل عام، بينما تسهم البحث بشكل كبير في فهم توقعات TASI، فإن القيود المحددة تستدعي اعتبارًا دقيقًا عند تفسير النتائج وتطبيقها على السيناريوهات العملية.
DOI: https://doi.org/10.3389/frai.2026.1714822
PMID: https://pubmed.ncbi.nlm.nih.gov/41858842
Publication Date: 2026-03-04
Author(s): Sukainah AL-Besher et al.
Primary Topic: Market Dynamics and Volatility
Overview
The research paper examines the predictive capabilities of traditional GARCH-family models (GARCH, EGARCH, GJR-GARCH, and MGARCH) compared to a Long Short-Term Memory (LSTM) neural network for forecasting returns and volatility of the Tadawul All Share Index (TASI) from January 1, 2000, to December 31, 2022. The study highlights the significant influence of oil and gold prices on TASI performance, underscoring their critical role in the oil-dependent Saudi economy. The analysis employs various performance metrics, including Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE), revealing that while the LSTM model effectively captures nonlinear volatility patterns, the GJR-GARCH model with Generalized Error Distribution (GED) provides superior return projections.
The findings suggest that traditional econometric models remain competitive, particularly in contexts where macroeconomic linkages are strong. The research emphasizes the practical implications for investors and policymakers, indicating that GARCH-based models can serve as valuable tools for understanding market volatility and making informed investment decisions. Overall, the study contributes to the literature on financial econometrics by contrasting econometric and machine learning methodologies, demonstrating the ongoing relevance of established models in forecasting volatility in emerging markets like Saudi Arabia.
Introduction
The introduction of the paper highlights the critical role of financial markets in fostering economic growth by facilitating national savings and foreign investment, as well as ensuring effective resource allocation. It emphasizes the significance of sophisticated quantitative models in risk management and investment decision-making, particularly in the context of the Saudi Stock Exchange (Tadawul), which is the largest in the Gulf Cooperation Council (GCC) region. The paper notes that Tadawul’s performance is influenced by both internal and external factors, notably oil price fluctuations, and critiques previous studies for primarily employing univariate techniques that overlook these externalities, such as oil and gold prices.
To address these gaps, the authors propose utilizing GARCH models and Long Short-Term Memory (LSTM) neural networks to analyze the returns and volatility of the Tadawul All Share Index (TASI) from January 1, 2000, to December 31, 2022. The choice of LSTM is justified by its proven ability to capture long-term nonlinear dynamics in financial time series, particularly in volatile markets. The study aims to incorporate oil and gold prices as explanatory variables to enhance forecasting accuracy and provide valuable insights for policymakers and investors. The introduction outlines the structure of the paper, which consists of nine sections, including a literature review, methodology, results, and discussions on practical and theoretical implications.
Methods
In this section, the authors outline the methodology employed to model and predict the returns and volatility of the Tadawul All Share Index (TASI) using a combination of econometric and deep learning approaches. The proposed model integrates exogenous variables with Long Short-Term Memory (LSTM) neural networks, leveraging both the linear dynamics of volatility and the nonlinear relationships captured by Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models. GARCH, as noted by Bollerslev (1986), is particularly effective in modeling time-dependent volatility due to its ability to account for historical squared innovations and lagged conditional variances, which are essential for capturing the volatility clustering commonly observed in financial markets.
The experimental setup utilizes data from 2000 to 2022, divided into training and testing subsets to facilitate out-of-sample analysis. Model performance is evaluated using metrics such as Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE), which provide quantitative measures of prediction accuracy. The methodology is designed to ensure theoretical consistency, empirical robustness, and full repeatability, aligning with findings from previous studies that affirm the superiority of GARCH models over traditional Autoregressive Conditional Heteroskedasticity (ARCH) models in forecasting returns.
Discussion
In the discussion section of the research paper, the authors review existing literature on price forecasting, return and volatility modeling, and the application of econometric and machine learning techniques in financial markets, particularly focusing on the Saudi Stock Exchange (TASI). They identify two primary strands in stock market forecasting: price-level forecasting and return-volatility modeling. While various machine learning methods, such as neural networks (NN) and support vector machines (SVM), have been employed for price predictions, they often neglect crucial risk measures and volatility characteristics. The authors emphasize that effective asset pricing and risk management require a comprehensive understanding of return distributions and conditional volatility, which traditional price forecasting models fail to address.
The paper highlights significant gaps in the literature, particularly the lack of integrated models that simultaneously account for price and volatility dynamics, especially in the context of external macroeconomic drivers like oil and gold prices. The authors propose to fill these gaps by employing GARCH-family models and Long Short-Term Memory (LSTM) networks to concurrently estimate returns and volatility for TASI, incorporating oil and gold returns as exogenous variables. They argue that while traditional econometric models like GARCH are effective, hybrid models combining econometric and deep learning approaches may offer improved predictive performance, particularly in capturing complex volatility patterns. The findings suggest that LSTM models outperform GARCH models in volatility forecasting, although GARCH models remain robust in certain contexts, particularly when assessing the influence of external market factors.
Limitations
In this section, the authors acknowledge several limitations inherent in their research on predicting returns and volatility in the TASI (Tadawul All Share Index). While the study provides valuable insights, it is important to recognize that certain weaknesses may affect the robustness and generalizability of the findings. These limitations could stem from methodological constraints, data availability, or external factors influencing market behavior that were not accounted for in the analysis.
Overall, while the research contributes significantly to the understanding of TASI predictions, the identified limitations warrant careful consideration when interpreting the results and applying them to practical scenarios.