Нейрондық желілерді пайдалана отырып, Тунис қор нарығының динамикасын болжау

Прогнозирование динамики фондового рынка остается сложной задачей, особенно для развивающихся и пограничных рынков, где высокая неопределенность, ограниченная ликвидность и информационные асимметрии могут снижать устойчивость прогнозных моделей. Цель данного исследования заключается в сравнении прогностической эффективности моделей искусственных нейронных сетей и долгой краткосрочной памяти при прогнозировании индекса TUNINDEX20 с наивной моделью персистентности. Информационную базу составили ежедневные данные индекса TUNINDEX20 Тунисской фондовой биржи за период с 6 февраля 2012 г. по 31 декабря 2024 г., включающие 1 915 наблюдений. Выборка была разделена в хронологическом порядке на обучающую часть из 1 532 наблюдений и тестовую часть из 383 наблюдений. Результаты показали, что искусственная нейронная сеть несколько превосходит модель долгой краткосрочной памяти по основным показателям точности: для первой модели MAE составил 12.06, RMSE – 15.92, MAPE – 0.31%, MASE – 1.0769, R² – 0.9912, а точность прогнозирования направления движения индекса – 53.91%. Вместе с тем наивная модель показала немного более низкие ошибки прогноза (MAE = 11.76; RMSE = 15.82), а тест Диболда–Мариано не выявил статистически значимого преимущества ANN над наивной моделью (p = 0.7285). Полученные результаты показывают, что что более сложная архитектура не обеспечивает автоматического преимущества в прогнозировании TUNINDEX20. Перспективы дальнейших исследований связаны с включением технических индикаторов и макрофинансовых переменных, тестированием моделей на других развивающихся рынках, а также применением адаптивных и гибридных методов прогнозирования.

1. Bachelier, L. (1900). Théorie de la spéculation. Annales Scientifiques de l’École Normale Supérieure, 17, 21–86. https://doi.org/10.24033/asens.476

2. Bekaert, G., & Harvey, C. R. (1997). Emerging equity market volatility. Journal of Financial Economics, 43(1), 29–77. https://doi.org/10.1016/S0304-405X(96)00889-6

3. Bekaert, G., Harvey, C. R., & Mondino, T. (2023). Emerging equity markets in a globalised world. Emerging Markets Review, 56,101034. https://doi.org/10.1016/j. ememar.2023.101034

4. BVMT. (2025). Tunis Stock Exchange. Retrieved June 20, 2025 from https://tunis-stockexchange.com/

5. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304- 4076(86)90063-1

6. Boubaker, H., Saidane, B., & Ben Saad Zorgati, M. (2022). Modelling the dynamics of stock market in the Gulf Cooperation Council countries: Evidence on persistence to shocks. Financial Innovation, 8, Article 46. https://doi.org/10.1186/s40854-022-00348-3

7. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008). Time series analysis: Forecasting and control (4th ed.). John Wiley & Sons. https://doi. org/10.1002/9781118619193

8. Büyükşahin, Ü.Ç., & Ertekin, Ş. (2019). Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition. Neurocomputing, 361, 151-163. https://doi. org/10.1016/j.neucom.2019.05.099

9. Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, 2(4), 303–314. https://doi. org/10.1007/BF02551274

10. Fakhfekh, M., Jeribi, A., & Ben Salem, M. (2021). Volatility dynamics of the Tunisian stock market before and during the COVID‐19 outbreak: Evidence from the GARCH family models. International Journal of Finance & Economics, 28(2), 1653-1666. https://doi.org/10.1002/ ijfe.2499

11. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486

12. Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j. ejor.2017.11.054

13. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

14. Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/ hhaa009

15. Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2019). Literature review: Machine learning techniques applied to financial market prediction. Expert Systems with Applications, 124, 226–251. https://doi.org/10.1016/j. eswa.2019.01.012

16. Hochreiter, S., & Schmidhuber, J. (1997). Long shortterm memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

17. Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366. https://doi. org/10.1016/0893-6080(89)90020-8

18. Kaygın, C. Y., Gün, M., Akarsu, O. N., Bağcı, H., & Yanık, A. (2026). Algorithmic stability in turbulent markets: Unveiling the superiority of shallow learning over deep architectures in cryptocurrency forecasting. Mathematics, 14(6),989. https://doi.org/10.3390/math14060989

19. Mehtab, S., & Sen, J. (2020). Stock price prediction using CNN and LSTM-based deep learning models. In Proceedings of the 2020 International Conference on Decision Aid Sciences and Application (DASA) (pp. 448–453). IEEE. https://doi.org/10.1109/ DASA51403.2020.9317207

20. Nayak, R. K., Misra, D., & Behera, H. S. (2014). Impact of data normalization on stock index forecasting. International Journal of Computer Information Systems and Industrial Management Applications, 6, 257–269.

21. Samuelson, P. A. (1965). Proof that properly anticipated prices fluctuate randomly. Industrial Management Review, 6(2), 41–49.

22. Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review (2005–2019). Applied Soft Computing, 90, 106181. https://doi.org/10.1016/j. asoc.2020.106181

23. Shahrour, M., & Dekmak, M. (2024). Intelligent stock prediction: A neural network approach. International Journal of Financial Engineering, 11(1), 2250016. https://doi.org/10.1142/S2424786322500165

24. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(56), 1929–1958. https:// doi.org/10.5555/2627435.2670313

25. Tashman, L. J. (2000). Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting, 16(4), 437–450. https://doi. org/10.1016/S0169-2070(00)00065-0

26. Tsay, R. S. (2005). Analysis of financial time series (2nd ed.). John Wiley & Sons. https://doi. org/10.1002/0471746193

27. Varshney, S., & Srivastava, P. (2023). A comparative study of future stock price prediction through artificial neural network and ARIMA modelling. NMIMS Management Review, 31(4), 229–239. https://doi. org/10.1177/09711023241230367

28. Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14(1), 35–62. https://doi.org/10.1016/S0169-2070(97)00044-7