إستخدام نماذج ARFIMA والشبكات العصبية الصطناعية للتنبؤ بمعدل التضخم في الجزائر للفترة2010-2024// Using ARFIMA Models and Artificial Neural Networks to Forecast the Inflation Rate in Algeria for the Period(2010 –2024)

Abstract

سعت هذه الدراسة إلى نمذجة تقلبات معدلات التضخم الشهرية في الجزائر والتنبؤ بإتجاهاتها المستقبلية بالإعتماد على البيانات التاريخية للفترة الزمنية الممتدة من جانفي 2010 إلى مارس 2024 . ولتحقيق ذلك، تم إستخدام نماذج الإنحدار الذاتي والمتوسطات المتحركة التكاملية الكسرية " ARFIMA " التي ت عتبر إمتدادا لنماذ ج ARIMA التي جاء بها كل من Box - Jenkins ، جنبا إلى جنب مع الشبكات العصبية الإصطناعية متعددة الطبقات " MLP "، التي تندرج ضمن فئة نماذج الإنحدار الذاتي غير الخطية " NAR . " وبعد القيام بعملية تقدير وفحص أكثر من 272 نموذجًا من نماذج ARFIMA(p,d,q) ، أظهرت النتائج أن النموذج الإحصائي ARFIMA(9,-0.57,8) ذو الذاكرة المتوسطة هو النموذج الأمثل والأنسب لتوصيف بيانات الظاهرة المدروسة، حيث نجح هذا الأخير في إجتياز كل الفحوصات والإختبارات التشخيصية. ليتم في الأخير إستخدامه في التنبؤ بالقيم المستقبلية ل 12 شهر قادم . أما فيما يتعلق بإستخدام الأسلوب التنبؤي الثاني المتمثل في الشبكات العصبية ا لإصطناعية متعددة الطبقات " MLP " فقد توصلت الدراسة بعد ضبط المعلمات الفائقة للشبكة العصبية وتجربة عدة تشكيلات من البنى المعمارية المختلفة إلى أن النموذج العصبي " ANN(12,10,1) " هو النموذج الأنسب والأكثر ملائمة لتمثيل البيانات التاريخية لسلسلة التضخم . لقد أظهر كل من الأسلوبين المستخدمين دقة عالية في تتبع مسار السلسلة الزمنية المدروسة، غير أن معايير قياس دقة الأداء التنبؤي أظهرت أن النموذج العصبي " ANN(12,10,1) " هو الأسلوب الأكثر دقة ولذلك لكونه نجح في تدنية قيمة الخطأ بين القيم الفعلية والمتوقعة إلى أدنى مستوى ممكن

.

This study aims to model the fluctuations of monthly inflation rates in Algeria and forecast their future trends based on historical data spanning the period from January 2010 to March 2024. To achieve this, the study employs Fractionally Integrated Autoregressive Moving Average (ARFIMA) models, which extend the ARIMA models developed by Box and Jenkins, alongside Multilayer Perceptron "MLP" artificial neural networks, which fall under the category of nonlinear autoregressive "NAR" models. After estimating and evaluating more than 272 ARFIMA(p,d,q) models, the findings reveal that the ARFIMA(9,-0.57,8) model, characterized by medium memory, is the most optimal and suitable for describing the studied phenomenon. This model successfully passed all diagnostic tests and was subsequently used to forecast future values for the next 12 months. Regarding the second forecasting approach, represented by MLP artificial neural networks, the study, after fine-tuning the network’s hyperparameters and testing multiple architectural configurations, determined that the ANN(12,10,1) model is the most appropriate and well-suited for representing the historical inflation series data. Both employed approaches demonstrated high accuracy in tracking the trajectory of the studied time series. However, the predictive performance evaluation metrics indicated that the ANN(12,10,1) model exhibited superior accuracy, as it minimized the error between actual and predicted values to the lowest possible level.

Cette étude vise à modéliser les fluctuations des taux d’inflation mensuels en Algérie et à prévoir leurs tendances futures en s’appuyant sur des données historiques couvrant la période allant de janvier 2010 à mars 2024. Pour ce faire, l’étude utilise les modèles autorégressifs à moyenne mobile à intégration fractionnaire ARFIMA, qui constituent une extension des modèles ARIMA introduits par Box et Jenkins, conjointement avec les réseaux de neurones artificiels à perceptron multicouche MLP, relevant de la classe des modèles autorégressifs non linéaires NAR. Après l’estimation et l’évaluation de plus de 272 modèles ARFIMA(p,d,q), les résultats montrent que le modèle ARFIMA(9,-0.57,8), caractérisé par une mémoire intermédiaire, est le modèle le plus optimal et le plus approprié pour décrire les données du phénomène étudié. Ce modèle a réussi à satisfaire l’ensemble des tests et diagnostics statistiques, et a été utilisé pour prévoir les valeurs futures sur un horizon de 12 mois. En ce qui concerne la deuxième approche de prévision basée sur les réseaux de neurones artificiels à perceptron multicouche MLP, l’étude, après l’ajustement des hyperparamètres et l’expérimentation de plusieurs architectures, a conclu que le modèle neuronal ANN(12,10,1) est le plus adapté et le plus performant pour représenter les données historiques de la série d’inflation. Les deux approches ont démontré une grande capacité à reproduire la dynamique de la série temporelle étudiée. Toutefois, les indicateurs d’évaluation de la performance prédictive ont révélé que le modèle neuronal ANN(12,10,1) présente une précision supérieure, en parvenant à minimiser l’écart entre les valeurs observées et les valeurs prévues au niveau le plus faible possible.