استخدام أسلوب الشبكات العصبية الاصطناعية للتنبؤ بأسعار الصكوك الإسلامية – دراسة حالة مؤشرات الصكوك

Abstract

This study explores the use of artificial neural networks as a tool to improve predictions of Islamic bond (sukuk) prices in the financial market. The study focused on analyzing historical sukuk data, with an emphasis on understanding the factors influencing price movements and temporal market changes. Utilizing a Multilayer Perceptron (MLP) architecture, a model for sukuk price prediction was developed. The model's performance was evaluated using several metrics, including Root Mean Square Error (RMSE) and Mean Absolute Prediction Error (MAE). The results showed a significant improvement in prediction accuracy compared to traditional techniques, as the developed model was able to predict prices with high accuracy in both short and long terms.

تعمل هذه الدراسة على استكشاف استخدام الشبكات العصبية الاصطناعية كأداة لتحسين تنبؤات أسعار الصكوك الإسلامية في السوق المالية. تمحورت الدراسة حول تحليل البيانات التاريخية للصكوك، مع التركيز على فهم العوامل المؤثرة في تحركات الأسعار وتغيرات السوق الزمنية. بالاعتماد على معمارية الشبكات متعددة الطبقات(MLP)، تم تطوير نموذج للتنبؤ بأسعار الصكوك.تم تقييم أداء النموذج باستخدام عدة مقاييس، بما في ذلك معدل الخطأ المتربع الجذري (RMSE) والانحراف المتوسط للتنبؤ (MAE).أظهرت النتائج تحسنًا ملحوظًا في دقة التنبؤ مقارنة بالتقنيات التقليدية، حيث تمكن النموذج المطور من التنبؤ بالأسعار بدقة عالية على المدى القصير والطويل.

Cette étude explore l'utilisation de réseaux de neurones artificiels comme outil pour améliorer les prévisions des prix des obligations islamiques (sukuk) sur le marché financier. L'étude s'est concentrée sur l'analyse des données historiques sur les sukuk, en mettant l'accent sur la compréhension des facteurs influençant les mouvements de prix et les changements temporels du marché. En utilisant une architecture Multilayer Perceptron (MLP), un modèle de prévision du prix des sukuk a été développé. Les performances du modèle ont été évaluées à l'aide de plusieurs mesures, notamment l'erreur quadratique moyenne (RMSE) et l'erreur moyenne de prédiction absolue (MAE). Les résultats ont montré une amélioration significative de la précision des prévisions par rapport aux techniques traditionnelles, car le modèle développé était capable de prédire les prix avec une grande précision à court et à long terme.