القدرة التفسيرية والتنبؤية للنماذج الاقتصادية بين نماذج تعلم الآلة ونماذج الاقتصاد القياسي | ||
| المجلة العلمية للدراسات والبحوث المالية والتجارية | ||
| Volume 7, Issue 1 - Serial Number 4, January 2026, Pages 287-329 PDF (1.68 M) | ||
| Document Type: المقالة الأصلية | ||
| DOI: 10.21608/cfdj.2025.418476.2370 | ||
| Author | ||
| حسني إبراهيم عبد الواحد حسن | ||
| المعهد العالي للعلوم الإدارية - 6 أكتوبر | ||
| Abstract | ||
| تهدف الدراسة للتأكد من مدى صحة الفرضيات الأساسية والمتمثلة فى تفوق نماذج تعلم الآلة والتعلم العميق من حيث القدرة التنبؤية مع انخفاض القابلية للتفسير مقارنة بنماذج الاقتصاد القياسي التقليدية. لذا فقد بدأت الدراسة بتناول المقاييس التقليدية للقدرة التفسيرية والتنبؤية لنماذج الاقتصاد القياسي. وتوصلت الدراسة إلى أن هذه النماذج تعانى من أوجه قصور عديدة في مجال التنبؤ وأهمها فشلها في التعامل مع كثير من التحديات خاصة الأزمات المالية العالمية، كما لا يمكنها معالجة البيانات المفقودة وذلك لاعتمادها على قابلية النموذج للتفسير وليس دقة النموذج وقدرته التنبؤية. ثم تناولت الدراسة أهم المقياس الحديثة لجودة التوفيق الذى قدمته دراسة Apesteguia & Ballester (2020) وهو الحد الأقصى من البيانات التي يمكن التوفيق بينها وبين النموذج. كما تناولت الدراسة آلية ضبط البيانات Cross Validation في نماذج تعلم الألة وهى طريقة لتقييم جودة التوفيق خارج العينة وتهدف أساساً لتجنب التوفيق الزائد Overfitting أو Underfitting. كذلك تناولت الدراسة مفهوماً حديثاً لتقييم القدرة التنبؤية للنماذج الاقتصادية وهو مفهوم الكمالCompleteness الذى اقترحته دراسة Fudenberg et al. (2021) ويوضح الحيز المتاح لتحسين القدرة التنبؤية. تناولت الدراسة نماذج الانحدار لتعلم الآلة Machine Learning والتعليم العميق Deep Learning والتى زاد الاعتماد عليها فى مجال التنبؤ الاقتصادي خلال العقد الثاني للقرن الحادي والعشرين للاستفادة من عصر البيانات الضخمة Big Data خاصة بعد فشل النماذج الاحصائية التقليدية في التنبؤ بالأزمة المالية العالمية 2008. تم استعراض نتائج الكثير من الدراسات الحديثة التى استهدفت مقارنة القدرة التنبؤية والتفسيرية للنماذج الاحصائية التقليدية ونماذج تعلم الألة من أهمها (Seifipour & Azadeh, 2025; Juanhua & Xu, 2025; Makridakis et al, 2024; Franck et al., 2023; Richardson et al., 2021; Nicolas, 2020). من أهم النتائج التى توصلت إليها الدراسة: (1) تركز الأساليب الحديثة على قياس الأداء الأمثل للنموذج أى أقصى أداء ممكن، (2) أن القدرة التنبؤية لنماذج تعلم الألة تتفوق على النماذج التقليدية، انخفاض القدرة التفسيرية لنماذج تعلم الألة، حيث من الصعب شرح العوامل التي تحرك التنبؤات، (3) يؤدى الجمع بين الطرق التقليدية ونماذج ML باستخدام أوزان ترجيح مناسبة إلى مزيد من التحسينات في الأداء، وهو ما يثبت صحة فرضيات الدراسة. | ||
| Keywords | ||
| تعلم الآلة; التنبؤ الاقتصادي; الشبكات العصبية المتكررة; الغابات العشوائية | ||
|
Statistics Article View: 2 PDF Download: 3 |
||
