پیش بینی داده¬های قیمت سری زمانی طلا با استفاده از الگوریتم¬های CNN-BiLSTM [پايان نامه فارسي]

امیرحسین امینی

شناسگر رکورد: ۱۹۹۱۲
رشته تحصیلی: سیستم های مالی
عنوان: پیش بینی داده¬های قیمت سری زمانی طلا با استفاده از الگوریتم¬های CNN-BiLSTM
نويسنده: امیرحسین امینی
استاد راهنما : دکتر رباب کلانتری
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۴۰۱
چکیده: طلا در بانکداری و بازارهای مالی به عنوان یک جز مهم از وضعیت اقتصادی و مالی عمل می¬کند. عوامل مهمی بر قیمت طلا، روند، تلاطم و نوسانات آن تاثیر می¬گذارند. پیش¬بینی قیمت طلا بخش مهمی از مدیریت مالی پرتفولیوهایی است که دارایی طلا یا دارایی¬های وابسته به قیمت طلا را نگهداری می¬کند. همچنین یک پیش¬بینی دقیق و مطمئن می¬تواند در مواردی چون خرید و فروش، زمینه¬های جلوگیری از خسارت مالی و ریسک سرمایه¬گذاری را فراهم آورد. در این پژوهش، معماری¬ پیشنهادی از شبکه¬های عصبی عمیق بازگشتی (RNNs) و شبکه¬های عصبی پیچشی (CNNs) به عنوان یک مدل ترکیبی همراه با تحلیل حساسیت نتایج نسبت به پارامترهای اثرگذار و تنظیم آن¬ها برای دستیابی به بهترین دقت و نتیجه پیشنهاد شده است. به منظور امکان سنجی این مدل پیشنهادی و همچین بررسی و اثبات عملکرد آن، مجموعه داده¬های ۴۴ ساله سری زمانی قیمت طلا در بازار جهانی مورد استفاده قرار گرفته است. در این پژوهش از روش جستجوی شبکه¬ای برای یافتن بهترین متغیرهای ورودی در عملکرد مدل استفاده شده است. همچنین برای ارزیابی مدل پیشنهادی، شاخص¬های آماری چون جذر میانگین مطلق خطا ، جذر میانگین مربعات خطا و ضریب تعیین (R^۲) مورد استفاده قرار گرفته است. نتایج حاصل شده نشان می¬دهد که مدل پیشنهادی در مقایسه با دیگر مدل¬های رایج، در جهت¬گیری کلی و ثبت مقادیر بیشینه و کمینه شدید، عملکرد بهتری نسبت به تمامی مدلهای مقایسه شده با مقادیر R^۲=۰.۹۵، MSE = ۱۶۹۳.۳۴۷، RMAE = ۵.۲۷ و RMSE = ۳۷.۹۴ را ارائه می¬کند. واژههای کلیدی: پیش¬بینی قیمت طلا، یادگیری عمیق، الگوریتم حافظه طولانی- کوتاه مدت دو جهته، مدل¬های ترکیبی یادگیری عمیق بر پایه الگوریتم¬های پیچشی
شماره ثبت جزء نسخه جلد بخش قسمت مرجع شماره بازیابی در دست امانت تاریخ بازگشت ملاحظات
283800 1
Copyright 2026 by Payam Hannan co ltd. PayamLib.com