خوارزمية جينية لتحسين نموذج CNN-BiLSTM للتنبؤ بسلاسل الناتج المحلي الإجمالي الحقيقي المغربي

يظل التنبؤ الدقيق بالنمو الاقتصادي تحديًا رئيسيًا في الاقتصاد القياسي. في هذه الورقة، نقترح نموذج CNN-BiLSTM جديد تم تحسينه باستخدام الخوارزمية الجينية (GA) لتنبؤ الناتج المحلي الإجمالي الحقيقي الربعي المغربي. تجمع هذه الطريقة بين التحسين المشترك لتسعة معلمات فرعية واختيار نافذة تأخيرية ديناميكية، مدعومة بعملية اختيار متغيرة تعتمد على ارتباط سبيرمان، المعلومات المتبادلة، وXGBoost، تليها توضيحية قائمة على SHAP لتحسين التفسير الاقتصادي للمتغيرات المحتفظ بها. تم تقييم أداء النموذج تحت تصميم نافذة موسعة خارج العينة. لت quantify عدم اليقين في التنبؤ، تم استخدام سقوط مونت كارلو لتوليد فترات التنبؤ. تظهر نتائج التجربة أن نموذج CNN-BiLSTM يتفوق على نماذج أخرى، بما في ذلك CNN وBiLSTM وGRU وغابات عشوائية وXGBoost وLasso وAdaBoost وVAR، مع قيم MSE أقل = 0.014943، وMAE = 0.008809، وMAPE = 0.890626%، وقيمة أعلى لـ R² = 0.985057. تؤكد نتائج اختبار Diebold-Mariano أيضًا أن النموذج المقترح يقدم تحسينات ذات دلالة إحصائية على معظم النماذج المنافسة. بشكل عام، تشير النتائج إلى أن نموذج CNN-BiLSTM يوفر إطارًا فعالًا لتحسين توقعات الناتج المحلي الإجمالي للمغرب. • تم تطوير نموذج GA-CNN-BiLSTM لتنبؤ الناتج المحلي الإجمالي المغربي تحت استراتيجية نافذة موسعة واقعية. • تم اختيار المتغيرات الرئيسية للناتج المحلي الإجمالي باستخدام تحليل سبيرمان وMI وXGBoost، وتوفر SHAP تفسيرًا اقتصاديًا للمتغيرات المحتفظ بها. • تحسن الخوارزمية الجينية تسعة معلمات فرعية، بما في ذلك نوافذ التأخير. • يوفر سقوط مونت كارلو فترات موثوقة وقوة صدمة. • تؤكد اختبارات Diebold-Mariano على مكاسب كبيرة مقارنة بالتعلم العميق، التعلم الآلي، والمعايير VAR.