ALSI تقييم كفاءة نماذج الذكاء الاصطناعي في التنبؤ بأداء مؤشرات البورصة الجزائرية

Abstract

تهدف هذه الد ا رسة القياسية إلى تقييم كفاءة نماذج الذكاء الاصطناعي مقابل النماذ ج التقليدية في التنبؤ بأداء مؤش ا ر ت بورصة الج ا زئر، بالتطبيق على البيانا ت اليومية لمؤشر (ALSI) خلا ل الفترة ) 2008 - 2026 ) مجموع 2256 مشاهدة . تتبلور المشكلة البحثية في اختبار مدى قدرة النماذج التنبؤية على التعامل مع خصائ ص السوق الج ا زئري الناشئ المتسم بديناميكية غي ر خطية وضعف الكفاءة عن د المستوى الضعيف. بالاعتما د على المنهج الوصفي التحليلي والقياسي، تم تقدير وتطوير نموذج التباين الشرطي غير المتماثل ARIMA (1,1,3) - EGARCH (1,1) تح ت افت ا ر ض توزيع (GED) ، بالتوازي مع بناء هندسة شبكة التعلم العميق للذاكرة الطويل ة قصيرة المدى (LSTM) عبر بيئة Python الحسابية . وأظهر ت النتائج الإحصائية تفوق اً إحصائي اً واضح اً لشبكة (LSTM) داخل العينة بدقة تنبؤية عالية وهامش خطأ مطلق لا يتعدى 1.2% . وتخل ص الد ا رسة إلى أن دمج التقنيا ت الذكية مع النماذج القياسية يُمثّل التوليفة المثلى لترشي د الق ا ر ا ر ت الاستثمارية وإدارة المخاطر المخططة في السوق المالي . الكلما ت المفتاحية : الذكاء الاصطناعي، مؤشر ALSI ، نموذج EGARCH ، شبكة LSTM ، التنبؤ المالي، بورصة الج ا زئر .This econometric study aims to evaluate the efficiency of artificial intelligence models versus traditional models in forecasting the performance of Algiers Stock Exchange indices, applied to the daily data of the Algiers Stock Index (ALSI) spanning the period (2008–2026) with a total of 2256 observations. The research problem is framed around testing the predictive capacity of these models in handling the specific characteristics of the emerging Algerian market, which is characterized by non-linear dynamics and weak-form inefficiency. Employing a descriptive-analytical and econometric approach, the asymmetric conditional heteroskedasticity model ARIMA (1,1,3) - EGARCH (1,1) was estimated under the Generalized Error Distribution (GED) assumption, alongside architectural modeling of the Long Short-Term Memory (LSTM) deep learning network via a Python computing environment. The empirical findings demonstrated a distinct statistical superiority for the LSTM network within the sample, achieving high predictive accuracy with an absolute error margin not exceeding 1.2%. The study concludes that integrating intelligent computing techniques with econometric models constitutes the optimal framework for rationalizing investment decisions and mitigating structured risks within the financial market. Keywords: Artificial Intelligence, ALSI Index, EGARCH Model, LSTM Network, Financial Forecasting, Algiers Stock Exchange