توصيفگر ها :
پيش‌بيني قيمت طلا , شبكه عصبي عميق , مدل‌هاي خودتوضيح ناهمسان شرطي , بازارهاي مالي
چكيده فارسي :
امروزه مديريت اقتصاد يكي از مهم‌ترين دغدغه‌هاي بنگاه‌هاي اقتصادي است. پيش‌بيني قيمت سهام، ارزهاي خارجي و كالا‌ها از اهداف چالش برانگيز شركت‌هاي سرمايه‌گذاري، بانك‌ها و ساير سرمايه‌گذاران است. به‌طوركلي پيش‌بيني سري‌هاي زماني مالي به دليل رفتار غيرخطي و پيچيده، براي سرمايه‌گذاران بسيار سخت و دشوار است. لذا صنعت مالي هميشه به پيش‌بيني موفق سري زماني مالي علاقه‌مند بوده است. سرمايه‌گذاران و معامله‌گران در بازارهاي مالي، به‌طور سنتي از دو ابزار تحليل تكنيكال و تحليل بنيادي جهت تخمين روند صعودي يا نزولي قيمت استفاده مي‌كنند كه در بسياري از موارد دچار اشتباه شده و متضرر خواهند شد؛ لذا استفاده از روش‌هاي هوشمند در پيش‌بيني بازارهاي مالي رو به گسترش است. يكي از روش‌هاي هوشمند براي پيش‌بيني، استفاده از شبكه‌هاي عصبي عميق است. در اين پژوهش از مدل‌هاي شبكه عصبي عميق، مدل‌هاي خودهمبسته و مدل پيشنهادي تركيبي جهت پيش‌بيني قيمت طلا در بازه‌ي كوتاه‌مدت بهره گرفته مي‌شود. مدل پيشنهادي از تركيب مدل Garch و مدل‌هاي شبكه عصبي بهره مي‌برد. از نتايج مدل‌هاي پايه جهت ارزيابي ميزان موفقيت مدل پيشنهادي استفاده مي‌كنيم. هم‌چنين براي مشخص شدن ميزان كارايي مدل پيشنهادي، آن را با مدل قدرتمند تركيبي CNN-LSTM كه در بسياري از پژوهش‌هاي ديگر استفاده شده، مقايسه مي‌كنيم. در يكي از مقالات اخير مدل تركيبي CNN-Bi-LSTM براي پيش‌بيني قيمت طلا پيشنهاد شده است كه از نتايج آن، جهت سنجش مدل پيشنهادي خود استفاده مي‌كنيم. درنهايت نتايج پيش‌بيني مدل‌ها به كمك معيارهاي ارزيابي RMSE ، MAPE و R2 با يكديگر مقايسه شده و مشخص مي‌شود كه مدل پيشنهادي عملكرد شايسته‌اي در پيش‌بيني قيمت طلا دارد.
چكيده انگليسي :
Today, effective economic management is a primary concern for businesses. Predicting stock prices, foreign currencies, and commodities is challenging for investors, banks, and investment companies, as financial time series are complex and nonlinear. Therefore, the financial industry is keen on successful financial time series forecasting. Traditionally, investors have used technical and fundamental analysis, but these methods often lead to mistakes and losses. Hence, the use of intelligent methods, such as deep neural networks, for forecasting financial markets is increasing. This study focuses on deep neural networks and autoregressive models and proposes a hybrid model for short-term gold price forecasting. The hybrid model combines statistical and neural networks. The proposed model will be evaluated using the results of the base models. Additionally, the efficiency of the proposed model will be compared to a combined CNN-LSTM model and CNN-Bi-LSTM, as used in previous studies. Finally, the prediction results of the models will be compared using evaluation metrics RMSE, MAPE, and R2, demonstrating that the proposed model performs better in predicting gold prices.
