![]() | يوجد فقط 14 صفحة متاحة للعرض العام |
المستخلص يمثل معدل الصرف أحد المتغيرات الاقتصادية التي تربط الاقتصاد المحلى بالعالم الخارجي، وتتطلب عملية وضع السياسات والخطط الاقتصادية وترشيد القرارات الاستثمارية، سواء على المستوي الدولي أو القومي أو على مستوي المؤسسات العامة والخاصة، استخدام النماذج والطرق الإحصائية، للتنبؤ بقيم المتغيرات الاقتصادية في المستقبل بأقل خطأ ممكن، من خلال دراسة سلوك المتغيرات في الماضي والحاضر، وبما يساهم في تحقيق أفضل النتائج لهذه السياسات والقرارات. ويعد معدل الصرف من أبرز المتغيرات الاقتصادية التي تحظى بالاهتمام من قِبَل الحكومات والمستثمرين وأيضا المستهلكين، خاصة مع تزايد حجم التجارة الدولية والاستثمار الدولي. والذي يتأثر بالعديد من المتغيرات والعوامل الاقتصادية سواء الحقيقية أو النقدية، كما يؤثر في العديد من المتغيرات الاقتصادية، ويُعد أيضًا من مظاهر القوة الاقتصادية للدولة، ومؤشراً للقدرة التنافسية. وقد تعددت طرق وأساليب التنبؤ بمعدل الصرف، حيث يتم الاعتماد على أسلوبين في عملية التنبؤ؛ أولهما النماذج السببيةCasual Model حيث تعتمد القيم المستقبلية لاحد المتغيرات علي معرفه قيم أخرى من المتغيرات المفسرة له ، من خلال نماذج انحدار خطية أو غير خطية. أما الأسلوب الآخر فهو الاعتماد على النماذج الأحادية مثلا نماذج السلاسل الزمنية؛ حيث يتم استخدام قيم سابقة من نفس المتغير في التنبؤ بالقيم المستقبلية له، ومن أشهر هذه النماذج نماذج الانحدار الذاتي والمتوسطات المتحركة. غير أن هذه النماذج السابقة تعتمد على عدة شروط يجب توافرها كما أن قدرتها على التنبؤ بالقيم المستقبلية لأسعار الصرف لم تكن دقيقة بنسبة عالية في الغالب. ويعد أسلوب الشبكات العصبية أحد الوسائل الحديثة نسبياً المشتقة من علم النيورونات والتي تمثل نوعاً من الذكاء الاصطناعي التي تم استخدامها في العديد من البرمجيات والتطبيقات، كما اتسعت مجالات استخدامها في التحليل الإحصائي والقياسي لما تتصف به من دقة النتائج، وقدرتها على التعلم اعتماداً على عدد محدد من المشاهدات، أو معالجة البيانات الضخمة. إن تصميم علم الشبكات العصبية كان يسير في بدايته في اتجاهين مختلفين: الاتجاه الأول وهو اتجاه بيولوجي حيث تم اكتشاف واستخدام الشبكات العصبية لعمل محاكاة بسيطة للمخ البشري، وذلك لاختبار وظائفه. أما الاتجاه الثاني فكان استخدام الشبكات العصبية كنظام تقنية لتشغيل أو تحليل المعلومات المعقدة. وبما أن العلاقات بين المتغيرات الاقتصادية لا تبدو دائما بسيطة وتتسم في أغلب الأحيان بالتعقيد وتنوع المتغيرات والعلاقات البينية للمتغيرات محل البحث، فقد تم استخدام الشبكات العصبية الاصطناعية لدراسة العلاقات بين المتغيرات الاقتصادية ومقارنتها بالطرق الإحصائية الأخرى، وقد أثبتت العديد من الدراسات جدارتها في تحقيق نتائج أكثر دقة بالمقارنة مع الطرق التقليدية الأخرى، وبالتالي زاد الاعتماد عليها كأحد الطرق لدراسة وتفسير المتغيرات الاقتصادية والتنبؤ بها. وتهدف هذه الدراسة بالتنبؤ بسعر صرف الجنيه المصري بالدولار الأمريكي وذلك باستخدام الشبكات العصبية الاصطناعية. ثانيًا: مشكلة الدراسة. تتمثل مشكلة الدراسة في التنبؤ بمعدل الصرف الجنيه المصري مقابل الدولار الأمريكي، ويتصف معدل الصرف في ظل نظم الصرف المرنة بالتقلب والتأثر بالعديد من المتغيرات الاقتصادية والسياسية والاجتماعية والنفسية أيضا. وبالتالي فإن العديد من النماذج المستخدمة في تقدير معدل الصرف لم تحقق النتائج المطلوبة بدقة لاعتمادها على دراسة العلاقات الخطية بين المتغيرات، وتأتي الشبكات العصبية الاصطناعية، كإحدى الوسائل الحديثة في التنبؤ بمعدل الصرف، والتي أكدت العديد من الدراسات التطبيقية على دقة نتائجها في التنبؤ بمعدل الصرف بالمقارنة بالطرق الأخرى المختلفة. ويمكن تلخيص أهمية استخدام الشبكات العصبية في النقاط التالية: 1) يمتاز أسلوب الشبكة العصبية بالقدرة العالية على نمذجة العلاقات غير الخطية المعقدة. 2) تستطيع الشبكات العصبية التغلب على حالات فقد البيانات أو حالات عدم اكتمال البيانات أو عدم دقتها، بخلاف الطرق الإحصائية التقليدية. 3) كما يتميز هذا الأسلوب بعدم الحاجة إلى نماذج افتراضيه مسبقة لتمثيل البيانات أو تحديد أية فروض للعلاقات بين المتغيرات، فيتم تحديد العلاقة بين المتغيرات من خلال عملية التعلم الخاصة به، والتي تمر بعدة مراحل من بينها دراسة العلاقات البينية بين المتغيرات، وتحديد أفضل النماذج بين هذه المتغيرات. 4) كما يتميز أسلوب الشبكات العصبية عن أسلوب الانحدار بالطريقة التقليدية، في أن أسلوب الشبكات العصبية يحتاج إلى عينات أصغر نسبياً في اختبار مصداقية النماذج. فمن المعروف أن النماذج الإحصائية التقليدية تحتاج من الناحية العملية ما بين 30 % إلى 50% من البيانات المتاحة لاختبار صلاحية النماذج المقدرة بخلاف أسلوب الشبكات العصبية التي تستخدم حوالي 10% من البيانات المتاحة لنفس الغرض، مما يبين كفاءة هذا الأسلوب. ( ) وبناء على ما سبق فإن استخدام الشبكات العصبية يمثل أفضل الأساليب المقترحة لدراسة محددات معدل الصرف والتنبؤ بالقيم المستقبلية لمعدل الصرف. ثالثًا: أهداف الدراسة: تهدف الدراسة إلى: 1- تحديد مفهوم الشبكات العصبية وأنواعها وأهميتها ومجالات الاستفادة منها بصفه عامة، وبصفة خاصة في المجالات الاقتصادية والمالية. 2- تحديد أهمية استخدام الشبكات العصبية في التنبؤ بمعدل الصرف. 3- استخدام الشبكات العصبية في التنبؤ بمعدل الصرف. 4- تقييم نماذج التنبؤ باستخدام الشبكات العصبية. 5- التنبؤ بالقيم المستقبلية لمعدل صرف الجنيه المصري حتى عام 2025. رابعاً: أهمية الدراسة. تتمثل أهمية الدراسة في استخدام أحد أبرز تطبيقات الذكاء الاصطناعي وهي الشبكات العصبية في التنبؤ بمعدل الصرف الأجنبي للجنيه المصري، ومدى الاعتماد عليها كأداة أساسية لتحقيق هذا الهدف. ويعد معدل الصرف أحد المتغيرات الاقتصادية الهامة التي تتأثر بالعديد من العوامل، كما تؤثر في العديد من المتغيرات الاقتصادية الكلية، وبالتالي يمثل تحقيق التنبؤ الدقيق بمعدل الصرف العديد من النتائج الهامة. 1- المساعدة في صياغة السياسات الاقتصادية النقدية والمالية. 2- ترشيد القرارات الاستثمارية للمؤسسات والشركات الخاصة. 3- تحديد قدرة الشبكات العصبية في معالجة المتغيرات الاقتصادية، والتنبؤ بمعدل الصرف. 4- تحديد أهم العوامل المؤثرة في معدل الصرف للجنيه المصري. رابعًا: فرضية الدراسة: يُسهم استخدام أسلوب الشبكات العصبية الاصطناعية في زيادة دقة نتائج التنبؤ بمعدل الصرف الاجنبي في مصر خلال الفترة (2001-2020) والاعتماد على هذا النموذج في التنبؤ بمعدل الصرف حتى عام 2025. خامسًا: حدود الدراسة. 1- الحدود المكانية: تتمثل الحدود المكانية في دراسة سعر صرف الجنيه المصري مقابل الدولار الأمريكي وبالتالي تستهدف الدراسة المتغيرات الخاصة بجمهورية مصر العربية والتي تؤثر على معدل الصرف بين العملتين. 2- الحدود الزمنية: تتمثل الحدود الزمنية في استخدام بيانات المتغيرات الاقتصادية خلال الفترة من 2001 حتى 2020. والتنبؤ المستقبلي بمعدل الصرف حتى عام 2025. سادسًا: منهجية الدراسة. تعتمد الدراسة على استخدام المنهج الاستقرائي، والمنهج الاستنباطي في البحث العلمي، حيث تعتمد في البداية على المنهج الاستنباطي الذي يتكون من الإطار النظري والإطار التطبيقي، يتناول الإطار النظري توصيف العلاقات الأساسية المكونة للمتغيرات الاقتصادية التي تتناولها الدراسة، مثل معدل الصرف ومتغيرات الاقتصاد الكلي المؤثرة على معدل الصرف كذلك يشتمل هذا الإطار جمع البيانات والمعلومات التي تساعد على وصف دقيق للمشكلة محل الدراسة، وتوضيح الأساليب والنماذج المختلفة المستخدمة للتنبؤ بمعدل الصرف من خلال المراجع العربية والأجنبية والدوريات والمقالات والرسائل العلمية وكذلك الإنترنت. كما يتم الاعتماد على التحليل الكمي للمتغيرات الاقتصادية باستخدام أسلوب الشبكات العصبية الاصطناعية كأحد تطبيقات الذكاء الاصطناعي، وباستخدام برنامج spss لمعالجة البيانات والتنبؤ بالقيم المستقبلية لسعر صرف الجنيه المصري مقابل الدولار الأمريكي. سابعًا: الدراسات السابقة. تعددت الدراسات التي تهدف إلى التنبؤ بمعدل الصرف بحسب المتغيرات المستخدمة، أو الأسلوب المستخدم، وأيضا الأجل المستهدف للتنبؤ. وقد ركزت الدراسة على استخدام الشبكة العصبية الاصطناعية في التنبؤ بمعدل الصرف والتي أيضا تتنوع بحسب شكل الشبكة وطريقة أدائها عملية التنبؤ. ويمكن توضيح ذلك بالاستناد على الدراسات السابقة والتي يمكن تصنيفها كما يلي: أولاً: الدراسات التي استخدمت الشبكات العصبية الاصطناعية في التنبؤ بمعدل الصرف. 1- دراسة (2005) Yawen SUN بعنوان: “Exchange Rate Forecasting with An Artificial Neural Network Model: Can We Beat a Random Walk Model?” يركز هذا البحث في إمكانية وجود نمط دقيق لحركة معدل الصرف. من خلال إجراء دراسة تجريبية في مدى قدرة النماذج الاقتصادية غير الخطية على تحسين إمكانية التنبؤ بأسعار الصرف الأجنبي مقارنةً بنموذج الانحدار القياسي. سوف نستخدم أسلوب الشبكة العصبية المصطنعة ومتغيرات أساسية للاقتصاد الكلي، بما في ذلك العرض النقدي، والدخل النسبي، والفرق في أسعار الفائدة، ومعدل التضخم التفاضلي لدراسة ما إذا كان نموذج الشبكة العصبية الاصطناعية يمكن أن يحسن بشكل كبير من دقة وصف حركة معدل الصرف وإمكانية التنبؤ بها أم لا. الاستنتاج العام يشير إلى أن النموذج النقدي مع تقنية الشبكة العصبية يفوق بلا شك النموذج النقدي الخطي فيما يتعلق بدقة التنبؤ. يتوافق هذا الاستنتاج العام أيضًا مع نتائج اختبارات معدلات الخطأ. 2- دراسة (2010) : Belma Den_Z Onaran بعنوان: “Forecasting Exchange Rates Using Artificial Neural Networks” تهدف الدراسة إلى استخدام الشبكات العصبية الاصطناعية من أجل التنبؤ بأسعار الصرف الليرة التركية مقابل الدولار الامريكي USD / TRY. نظرًا لأنه يمكن استخدام الشبكات العصبية لنمذجة العلاقات الخطية وغير الخطية في البيانات بالتطبيق على المتغيرات الاقتصادية التالية: معدل الصرف EUR / USD، وسعر الفائدة في تركيا، وسعر الفائدة في الولايات المتحدة الأمريكية، والزيادة في معدلات التضخم في تركيا، وتغيرات الناتج المحلي الإجمالي في تركيا والولايات المتحدة الأمريكية والدولار الأمريكي الحالي USD / TRY والإنتاج المطلوب هو معدل الصرف بين USD / TRY أسبوع واحد من الدراسة. 3- دراسة (2011) (Vincenzo Pacelli Vitoantonio Bevilacqua, Michele Azzollini,) بعنوان:” An Artificial Neural Network Model to Forecast Exchange Rates” هدفت الدراسة إلى تصميم شبكة عصبية متعددة الطبقات واختبارها عن طريق الخوارزميات متعددة الأهداف المستندة إلى باريتو، وذلك بهدف التنبؤ بأسعار الصرف من خلال بيانات يومية لأسعار صرف (اليورو والدولار الأمريكي) ومن خلال هذه البيانات أستطاع الباحث التنبؤ بدقة بأسعار الصرف بين العملتين لمدة ثلاث أيام. وقد استنتجت الدراسة أنه برغم السلوك العشوائي لأسعار الأصول المالية ومحدداتها الغير خطية والخطية نتيجة تعدد العوامل المؤثرة في تحديد هذه الأسعار. فأن استخدام نموذج الشبكات العصبية استطاع ان يحقق نتائج أفضل لقدرتها على تحليل السلوك العشوائي والغير خطي للمتغيرات. 4- دراسة (2012) Vincenzo Pacelli بعنوان: “Forecasting Exchange Rates: a Comparative Analysis” هدف هذا البحث إلى تحليل ومقارنة قدرة النماذج الرياضية المختلفة، مثل الشبكات العصبية الاصطناعية (ANN) ونماذج ARCH وGARCH، على التنبؤ بأسعار الصرف اليومية باليورو / الولايات المتحدة. الدولار (بالدولار الأمريكي)، وتحديد أي من النماذج المطبقة، ينتج توقعات أكثر دقة. وتم الاعتماد في هذه الدراسة على المتغيرات التالية: (مؤشر ناسداك - معدل الصرف اليومي) يورو / دولار (- سعر الذهب اللحظي (spot) في الولايات المتحدة الأمريكية؛ متوسط عوائد السندات الحكومية (5) سنوات في الولايات المتحدة؛ متوسط عوائد السندات الحكومية (5) سنوات في منطقة اليورو؛ سعر النفط الخام؛ سعر صرف اليورو / الدولار الأمريكي في اليوم السابق). وقد أوضحت النتائج أن نماذج ARCH وGARCH، خاصة في صيغها الساكنة، أفضل من ANN في تحليل ديناميات التبادل والتنبؤ بمعدل الصرف. 5- دراسة (2013)Adu Sakyi بعنوان “Exchange Rate Prediction Using A Multi-Layer Feed-Forward Artificial Neural Networks” تناول هذا البحث التنبؤ بمعدل سعر صرف (الغاني – دولار امريكي) مع معدلات سندات الخزانة، وعرض النقود، ومؤشر أسعار المستهلك والتضخم بهدف استكشاف كفاءة الشبكة العصبية الاصطناعية (ANN)، والاعتماد على الشبكة العصبية Marquardt Backpropagation Algorithm، وتم تقييم النتائج من خلال قياس مربع متوسط جذر الخطأ Root Mean Squared Error (RMSE)، والنسبة المئوية المطلقة للخطأ المرجحة (WAPE)Weighted Absolute Percentage Error ، أنتجت ANN MSE و RMSE و WAPE وقيم R بقيمة 0.0010 و 0.0324 و 2.30٪ و 0.99634 على التوالي. تم الحصول على نموذج شبكة عصبية اصطناعية ثم مقارنته بالنموذج التقليدي نموذج الانحدار المتعدد مع نموذج ANN الذي ينتج دقة التنبؤ بنسبة 97.70 ٪ مقارنة مع 76.79٪ من نموذج الانحدار. وهو ما أكد دقة الشبكة العصبية في التنبؤ بمعدل الصرف بالمقارنة باستخدام نماذج الانحدار الخطية. 6- دراسة (2014) Olcay ERDOGAN، Ali GOKSU بعنوان: “Forecasting Euro and Turkish Lira Exchange Rates with Artificial Neural Networks” وتناولت هذه الدراسة مدى الدقة الشبكات العصبية ذات الانتشار الخلفي back propagation في التنبؤ وباستخدام أسعار الصرف التاريخية لليورو والليرة التركية (EUR / TRY) خلال الفترة (2010-2013). وأوضحت أن هناك عدة عوامل تؤثر على دقة الشبكة العصبية في عملية التنفيذ. وقد تم بناء هياكل مختلفة عن طريق تغيير عدد الخلايا العصبية ووظائف النقل وخوارزميات التعلم للحصول على أداء أكثر دقة. ومثل هذا البحث دراسة مقارنة لدقة الانواع المختلفة من الشبكات العصبية في آفاق زمنية مختلفة. وتم تقييم النتائج وفقًا لقيم MSE (متوسط مربعات الخطأ) لكل حالة، وقد تبين أن ANNs يمكنها أن تتنبأ بدقة وفقاً MSE بأسعار الصرف المستقبلية لليورو والليرة التركية (EUR / TRY). 7- دراسة: بدیع أحمد محمد حمدان (2015) بعنوان: “التنبؤ بأسعار صرف الدولار مقابل الشيكل باستخدام نموذج (ARIMA-ANN) الهجين” تناولت هذه الدراسة استخدام نماذج هجينة تتكون من خلال الدمج بین نماذج الانحدار الذاتي والمتوسطات المتحركة التكاملية ARIMA من جهة ونماذج الشبكات العصبية وبالتحديد نموذج الشبكات العصبية البیرسبترون متعدد الطبقات MLP من جهة أخرى حيث تم بناء خمس نماذج دمج وهي: • الدمج باستخدام المشاهدات السابقة مع البواقي السابقة مع القیم المقدرة من نموذج ARIMA • الدمج باستخدام المشاهدات السابقة مع البواقي السابقة من نموذج ARIMA ج- الدمج باستخدام المشاهدات السابقة مع القیم المقدرة من نموذج ARIMA د- الدمج باستخدام البواقي السابقة مع القیم المقدرة من نموذج ARIMA هـ- الدمج باستخدام القیم المقدرة من نموذج ARIMA وتم المقارنة بین جميع النماذج التي تم بناءها حسب المعاییر الإحصائية MAE, MSE وخلصت الدراسة إلى أن نموذج الدمج باستخدام البواقي السابقة والقیم المقدرة من نموذج ARIMA هو أصلح النماذج للتنبؤ بالسلسلة الزمنية لسعر الدولار الأمريكي مقابل الشيكل. 8- دراسة (Cagatay Bal,(2017 Serdar Demir, بعنوان: “A Comparative Study of Artificial Neural Network Models for Forecasting USD/EUR-GBP-JPY-NOK Exchange Rates” هدفت الدراسة إلى عرض العديد من الدراسات التي تهدف إلى التنبؤ بأسعار الصرف والتي اعتمدت على استخدام أسلوب الشبكات العصبية الاصطناعية أداة ناجحة للحصول على توقعات أسعار الصرف. وفي هذه الدراسة، يتم التنبؤ بأسعار صرف كل من: USD / EUR وUSD / GBP وUSD / JPY وUSD / NOK من خلال النمذجة باستخدام خوارزميات التعلم المختلفة ووظائف التنشيط ومقاييس الأداء. أظهرت النتائج أن طريقة التجربة والخطأ ملائمة في تحديد تركيبة المعلمة المناسبة لنمذجة الشبكة العصبية الاصطناعية لبيانات معدل الصرف. 8. دراسة: إبراهيم محمد إبراهيم سيد أحمد، رجاء مصطفى صالح الأمين، مجدي عبدالاله محمد عباس (2020) بعنوان: ” استخدام نماذج الشبكات العصبية الاصطناعية في تحليل الانحدار لدراسة العوامل المؤثرة على التضخم في السودان في الفترة (1991-2018)” هدفت الدراسة إلي دراسة العوامل المؤثرة على التضخم باستخدام نماذج الشبكات العصبية الاصطناعية في تحليل الانحدار حيث تم استخدام المنهج الوصفي والتحليلي باستخدام برنامج spss21 للوصول لنتائج الدراسة وتوصلت الدراسة الى أن الشبكة العصبية المستخدمة في تحليل الانحدار هي شبكة البيرسبترون متعدد الطبقات (MLP4-1-1) لبناء نموذج الشبكة العصبية الاصطناعية لتحليل الانحدار لبيانات الدراسة (العوامل التي تؤثر على التضخم بالسودان: سعر الصرف والناتج المحلي وعرض النقود وعجز الموازنة (وكانت قيمة متوسط مربع الخطأ للنموذج المقدر تساوي 1.12 وهي قيمة صغيرة مما يدل على دقة النموذج وتم التوصل الي أن متغير سعر الصرف له أكبر قيمة مما يدل على أنه من أكثر المتغيرات التي تؤثر على التضخم ويليه عرض النقود ثم عجز الموازنة وأخيرا الناتج المحلي، ومن أهم ما توصي به على الجهات المختصة وضع المتغيرين(سعر الصرف، عرض النقود) في الاعتبار والتركيز على معالجتهم اقتصاديا لينعكس ايجابيا لتقليل التضخم في المستقبل بالسودان. 9. دراسة Joseph Fisher (2020) بعنوان: ”Development and applications of neural networks for economic forecasting ” استهدفت الدراسة عرض أنواع الشبكات العصبية المستخدمة في التحليل المالي ودراسة التقلبات التي تحدث في بيانات السلسلة الزمنية، وكيفية زيادة دقة التنبؤ باستخدام الشبكات العصبية، وقد تم التطبيق كيفية تحويل البيانات النصية إلى مؤشرات يمكن استخدامها في التحليل وزيادة دقة التنبؤ. 10. دراسة Ivan Gridin,(2021) بعنوان: ” Time Series Forecasting using Deep Learning” حظي مجال تعلم الآلة “Machine Learning” والتعلم العميق “Deep learning” بالاهتمام المتزايد نتيجة إمكانية تطبيقه على العديد من المشكلات المرتبطة بالبيانات والمعلومات وخاصة بيانات السلاسل الزمنية والتي لا يمكن للطرق التقليدية التعرف عليها، وتحقق النماذج المختلفة لتعلم الآلة والتعلم العميق تحليلات أكثر دقة بالمقارنة بالطرق التقليدية. ويوضح هذه الكتاب كيف يمكن تطبيق الشبكات العصبية الحديثة والتطورات الأخيرة في التعلم العميق على مشاكل التنبؤ في العالم الحقيقي. وتم تطبيق مجموعة مختلفة من الشبكات العصبية المتكررة التي تستند إلى بنى RNN وGRU وLSTM ويفحص كيفية تطبيقها على تنبؤ السلاسل الزمنية. |