A Fair Comparative Framework for Time-Series Forecasting Using ARIMAX, XGBoost, and LSTM: Evidence from Libya

Emna Krichene; Mohamed Seidi Ahmed Hmadi; Salma Kamel Al-Gajamiya

doi:10.65405/y1kqxv30

المؤلفون

Emna Krichene Department of Information Technology, Al-Shahida Ayat Al-Akhtas Institute for Comprehensive Vocational Professions, Libya Author
Mohamed Seidi Ahmed Hmadi Department of Information Technology, Al-Shahida Ayat Al-Akhtas Institute for Comprehensive Vocational Professions, Libya Author
Salma Kamel Al-Gajamiya Department of Information Technology, Shohada Aldamor Higher Institute for Comprehensive Professions, Libya Author

DOI:

https://doi.org/10.65405/y1kqxv30

الكلمات المفتاحية:

دراسة تجريبية، التنبؤ بالقاعدة النقدية، ARIMAX، XGBoost، LSTM، اختبار ديبولد-ماريانو، ليبيا، مقارنة عادلة، تحليل الحساسية

الملخص

تقدم هذه الدراسة التجريبية تحليلًا مقارنًا لثلاثة مناهج تنبؤية - ARIMAX (الاقتصاد القياسي)، وXGBoost (التعلم الآلي)، وLSTM (التعلم العميق) - للتنبؤ بالقاعدة النقدية الليبية باستخدام بيانات شهرية فعلية من يناير 2004 إلى أبريل 2026 (268 مشاهدة). تستند جميع التنبؤات إلى بيانات تاريخية فعلية دون أي قيم محاكاة أو مستقبلية. يُعد التنبؤ الدقيق بالقاعدة النقدية الليبية أمرًا بالغ الأهمية للاستقرار الاقتصادي في اقتصاد هش يعتمد على النفط، حيث يمكن أن يكون لأخطاء التنبؤ تداعيات مالية كبيرة. ولضمان العدالة، تتلقى جميع النماذج نفس خصائص الإدخال متعددة المتغيرات (صافي الأصول الأجنبية، وصافي الأصول المحلية، وقيم القاعدة النقدية المتأخرة). ركزت الدراسات السابقة بشكل أساسي على الاقتصادات المستقرة، مما أدى إلى فجوة في فهم أساليب التنبؤ القابلة للتطبيق على سياقات متقلبة مثل ليبيا. تتبع التجربة إطارًا دقيقًا مع فترة تدريب (2004-2020) وفترة اختبار (2021-2026). يُقيّم الأداء باستخدام متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، ويُقيّم الدلالة الإحصائية باستخدام اختبار ديبولد-ماريانو. تُظهر النتائج أن نموذج ARIMAX(2,1,2) يتفوق بشكل ملحوظ على كل من XGBoost وLSTM، حيث حقق متوسط نسبة مئوية للخطأ المطلق (MAPE) بنسبة 25.36% مقارنةً بنسبة 28.41% (XGBoost) و49.46% (LSTM). يؤكد اختبار ديبولد-ماريانو وجود فروق ذات دلالة إحصائية (ARIMAX مقابل XGBoost: DM = -5.97، p < 0.001؛ ARIMAX مقابل LSTM: DM = -13.47، p < 0.001). تشير أهمية الميزات إلى أن القيم النقدية الأساسية المتأخرة تُهيمن على التنبؤات، بينما يُعاني نموذج LSTM من الفواصل الهيكلية وحجم العينة المحدود. يُظهر تحليل الحساسية أن نافذة 12 شهرًا هي الأمثل لكل من LSTM وXGBoost. تُقدّم هذه الدراسة معيارًا تجريبيًا موضوعيًا وقابلًا للتكرار للتنبؤ النقدي في الاقتصادات الهشة المعتمدة على النفط.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

Abbasimehr, H., Behboodi, A., & Bahrini, A. (2024). A novel hybrid model to forecast seasonal and chaotic time series. Expert Systems with Applications, 238, 122461.

Agaal, A., Essgaer, M., Farkash, H. M., & Othman, Z. A. (2025). Data-driven Insights for Informed Decision-Making: Applying LSTM Networks for Robust Electricity Forecasting in Libya. International Journal of Intelligent Systems and Applications (IJISA), 17(3), 65–89.

Al Feki, E., & Neji, J. (2024). Statistical modelling to assessing and enhancing road traffic safety in Tripoli, Libya: A systematic approach. Journal of Engineering Research, 12(4), 659-669.‏

Alrawayati, H., & Tökeşer, Ü. (2021). PARKINSON’S DISEASE DIAGNOSIS BASED ON THE CONVOLUTIONAL NEURAL NETWORK AND PARTICLE SWARM OPTIMIZATION ALGORITHM. Asian Journal of Mathematics and Computer Research, 28(1), 26-37.‏

Al‑Saffar, M., & Al‑Shammari, M. (2022). Structural breaks and forecasting performance in resource-rich countries. Resources Policy, 76, 102567.

Alssager, M., & Othman, Z. A. (2016). Taguchi-based parameter setting of cuckoo search algorithm for capacitated vehicle routing problem. In Advances in Machine Learning and Signal Processing: Proceedings of MALSIP 2015 (pp. 71-79). Cham: Springer International Publishing.‏

Ben Dalla, L., Medeni, T. M., Agila, A. A., & Medeni, İ. M. (2024). Architectural Synergy: Investigating the Role of Artificial Neural Networks in Enabling Deep Learning. The International Journal of Engineering & Information Technology (IJEIT), 12(1), 96-103.‏

Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. Holden‑Day.

Chantar, H., Tubishat, M., Essgaer, M., & Mirjalili, S. (2021). Hybrid binary dragonfly algorithm with simulated annealing for feature selection. SN computer science, 2(4), 295.‏

Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD, 785–794.

Coroneo, L., & Iacone, F. (2024). Testing for equal predictive accuracy with strong dependence. International Journal of Forecasting. (Accepted/In Press).

Dalla, L. O. B., Essgaer, M., Jetlawei, S. S., EL-sseid, M., Alsharif, A., & Agila, A. A. A. (2026). Local Precision and Global Harmony: A Comparative Literature Review (LR) Framework for Taylor and Fourier Series in Engineering Modeling. Al-Farooq Journal of Sciences, 2(1), 275-304.‏

Dalla, L. O. B., Karal, Ö., & Degirmenciyi, A. (2025). Leveraging LSTM for adaptive intrusion detection in IoT networks: a case study on the RT-IoT2022 dataset implemented on CPU computer device machine. In 5th International Conference on Engineering, Natural and Social Sciences April (pp. 15-16).‏

Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263.

El-Sayed, M., & Hassan, T. (2023). Forecasting monetary aggregates in conflict-affected states: A case study of Libya and Syria. Middle East Development Journal, 15(1), 88–112.

Elsherif, M. (2024). Modelling Inflation Dynamics and Global Oil Price Shocks in OAPEC Countries: TVP-VAR. International Journal of Energy Economics and Policy, 14(3), 51–69.

Gonzalez, C., & Fernandez, R. (2024). XGBoost feature importance in financial time series: Interpretation and limitations. IEEE Transactions on Neural Networks and Learning Systems, 35(3), 2890–2902.

Tareq Alnnale. (2026). From Reactive to Proactive Governance: A Hybrid LSTM–Gradient Boosting Architecture for Real-Time Anomaly Signal Detection in Multi-Store Retail Supply Chain Decision Systems. Al-Farooq Journal of Sciences, 2(1), 987-1005.‏

Harvey, D. I., Leybourne, S. J., & Zu, Y. (2025). Testing for equal average forecast accuracy in possibly unstable environments. Journal of Business & Economic Statistics, 43(3), 643–656.

Hawa Ahmed Alrawayati, Ümit Tokeşer. (2025).Spectral Integral Variation of Graph Theory. Asian Journal of Mathematics and Computer Research.32, Issue, 2. Pages(151-160). https://www.elibrary.ru/item.asp?id=82163806

Hawa Ahmed Alrawayati, Ümit Tokeşer. (2025).Spectral Integral Variation of Graph Theory. Asian Journal of Mathematics and Computer Research.32, Issue, 2. Pages(151-160). https://www.elibrary.ru/item.asp?id=82163806.

Hawa Alrawayati (2020). Development of High Efficiency Optimization Algorithm based on New Topology in Particle Swarm Optimization for Parkinson’s Disease. IOSR Journal of Mathematics (IOSR-JM). 8

Hawa Alrawayati. (2013). (المؤثرات الخطية المحدودة على فضاء هلبرت) • Finite linear operators on Hilbert spaces‎.مجلة جامعة الزيتونة.184-193

Hawa Alrawayati. (2016). (المعادلة التكاملية ونواة المؤثر ) Integral Equation and Kernel Operator‎.مجلة الساتل - جامعة مصراته. 63 – 76

Hawa Alrawayati. (2016). Integral Equation and Kernel Operator. Al-Satel Journal - Misrata University. 63-76

Henderi, H., & Sofiana, S. (2025). Comparative Study of Traditional and Modern Models in Time Series Forecasting for Inflation Prediction. International Journal of Applied Informatics and Management, 5(3), 155–167.

Hochreiter, S., & Schmidhuber, J. (1997). Long short‑term memory. Neural Computation, 9(8), 1735–1780.

Jeguirim, K., & Ben Salem, L. (2024). Unveiling extreme dependencies between oil price shocks and inflation in Tunisia: Insights from a copula dcc garch approach. MPRA Paper No. 121616. University Library of Munich.

Karal, Ö. (2020). Performance comparison of different kernel functions in SVM for different k value in k-fold cross-validation. In 2020 innovations in intelligent systems and applications conference (ASYU) (pp. 1-5). IEEE.‏

Karal, Ö. (2024). Comparative performance analysis of epsilon-insensitive and pruningbased algorithms for sparse least squares support vector regression. Sigma Journal of Engineering and Natural Sciences, 42(2), 578-589.

Khanh, M. Q., & Tuan, T. A. (2024). ARIMA, XGBoost, LSTM — Which One is Better for Forecasting?. Journal of Advanced Research in Applied Sciences and Engineering Technology, 43(1), 101-115.

Kumar, S., & Haider, A. (2022). LSTM vs ARIMA: A comparative study of forecasting models for macroeconomic indicators in developing economies. International Journal of Forecasting, 38(4), 1421–1438.

Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), e0194889.

Pinto, J. M., & Castle, J. L. (2022). Machine Learning Dynamic Switching Approach to Forecasting in the Presence of Structural Breaks. Journal of Business Cycle Research, 18(2), 129–157.

Siami‑Namini, S., Tavakoli, N., & Namin, A. S. (2019). The performance of LSTM and BiLSTM in forecasting time series. IEEE Big Data, 3285–3292.

Stempień, D., & Ślepaczuk, R. (2025). Hybrid Models for Financial Forecasting: Combining Econometric, Machine Learning, and Deep Learning Models. arXiv preprint, arXiv:2505.19617.

Sun, X., Yuan, P., Yao, F., Qin, Z., Yang, S., & Wang, X. (2024). Financial Fragility in Emerging Markets: Examining the Innovative Applications of Machine Learning Design Methods. Journal of the Knowledge Economy. DOI: 10.1007/s13132-023-01731-w.

Tokgöz, N., Değirmenci, A., & Karal, Ö. (2024). Machine learning-based classification of turkish music for mood-driven selection. Journal of Advanced Research in Natural and Applied Sciences, 10(2), 312-328.‏

Wang, J., & Li, X. (2023). Hybrid ARIMA-LSTM models for financial time series: A meta-analysis. Applied Intelligence, 53(6), 7021–7041.

Zhang, Y., & Wang, L. (2023). A comparative study of XGBoost and LSTM for time series forecasting in volatile markets. Expert Systems with Applications, 213, 118876.