الگوریتم عصبی آماری پیشبینی – بررسی عوامل تاثیر گذار بر روی طلا و پیشبینی از طریق الگوریتم شبکه عصبی و روشهای آماری
400,000 تومان
300,000 تومان
پرداخت و دریافت فایل
چکیده
الگوریتم عصبی آماری پیشبینی ارزش طلا
طلا از مهمترین کالاهای سرمایهای و کاربردی مورد استفاده است که همواره مورد توجه سرمایهگذاران بوده است. تعیین قیمت جهانی طلا از عواملی است که در تعیین سیاست سرمایه-گذاری تاثیر قابل توجهی دارد. در این تحقیق عوامل متعدد اثرگذار بر قیمت جهانی طلا مورد بررسی قرار گرفته است.استفاده از روشهای آماری مانند رگرسیون چندمتغیره و پیشبینی سریهای زمانی از روش-های مفید مورد استفاده است.
الگوریتم شبکه عصبی دارای قدرت بالایی در تعیین مدلهای خطی و غیرخطی استکه همواره مورد توجه است. در این تحقیق از هر دو شیوه برای تعیین قیمت طلای جهانی استفاده شده است.همخطی متغیرهای مورد بررسی از عوامل مهم و تاثیرگذار بر قدرت پیشبینی و بهرهوری مدل است لذا متغیرهای مستقل مورد استفاده از این بعد در روشهای رگرسیونگیری مورد بررسی قرار گرفته است و نتایج هر روش ارایه شده است.
بررسی نتایج نشاندهنده وجود شش فاکتور مهم تاثیرگذار بر قیمت جهانی طلا است.نسبت دلار نیوزلند به دلار آمریکا، نسبت فرانک سوییس به دلار آمریکا، شاخص بورس لندن، شاخص قیمت مصرفکننده آمریکا، قیمت جهانی نفت و شاخص خردهفروشی آمریکا از مهمترین عوامل بودهاند.
الگوریتم عصبی آماری پیشبینی ارزش طلا
فهرست مطالب
فصل ۱ـ مقدمه و کلیات تحقیق ۱
۱-۱-مقدمه ۲
۱-۲-بیان و تشریح موضوع ۳
۱-۳-اهمیت و ضرورت مساله تحقیق ۳
۱-۴-اهداف تحقیق ۵
۱-۵-پرسشهای اصلی و فرعی تحقیق ۶
۱-۶-متغیرهای مورد استفاده در تحقیق ۶
۱-۷-متغیرهای تاثیرگذار بر قیمت طلا ۷
فصل ۲ـ ادبیات و پیشینه تحقیق ۱۱
۲-۱-مقدمه ۱۲
۲-۲-مروری بر مساله ۱۲
۲-۲-۱-نوسانات قیمت جهانی طلا ۱۳
۲-۲-۲-متغیرهای مورد استفاده در تحقیق ۱۹
۲-۲-۳-پیشبینی با استفاده از رگرسیون ۲۳
۲-۲-۴-پیشبینی با استفاده از سری زمانی ۲۳
۲-۲-۵-پیشبینی با استفاده از شبکه عصبی ۲۴
۲-۳-ادبیات مقایسه روشهای بیان شده ۲۴
۲-۴-جمعبندی ۲۶
فصل ۳ـ مدل ریاضی و روش حل پیشنهادی ۲۷
۳-۱-مقدمه ۲۸
۳-۲-روش تحقیق ۲۸
۳-۳-جامعه آماری مورد مطالعه ۲۹
۳-۴-روشهای پیشبینی اقتصادی ۳۰
۳-۴-۱-مدل آریما ۳۰
۳-۴-۱-۱-سنجش مدلهای سری زمانی ۳۳
۳-۴-۲-مدل رگرسیون چندگانه ۳۴
۳-۴-۲-۱-بررسی همخطی در میان متغیرها ۳۴
۳-۵-شبکه عصبی ۳۵
۳-۵-۱-ساختار شبکه عصبی مصنوعی ۳۵
۳-۵-۲-کاربرد شبکه عصبی مصنوعی ۳۶
۳-۵-۳-مبنای بیولوژیکی شبکه عصبی ۳۷
۳-۵-۴-نورونهای مصنوعی در شبکه عصبی ۳۹
۳-۵-۵-ویژگی شبکههای عصبی ۴۱
۳-۵-۶-الگوی شبکههای عصبی مصنوعی ۴۴
۳-۵-۷-یادگیری شبکههای عصبی ۴۶
۳-۵-۷-۱-فرآیند یادگیری شبکههای عصبی ۴۶
۳-۵-۸-شبکههای عصبی پیشخور ۴۸
۳-۵-۸-۱-شبکههای عصبی پیشخور با یک لایه پنهان ۴۹
۳-۵-۹-آموزش شبکه ۵۱
۳-۵-۱۰-آموزش شبکه به روش لونبرگ-مارکوارت ۵۱
۳-۵-۱۰-۱-اموزش شبکه در شبکههای چندلایه ۵۳
۳-۶-آزمون t ۵۳
۳-۷-آزمون F ۵۳
۳-۸-روایی و اعتبار ابزار ۵۴
۳-۹-جمعبندی ۵۴
فصل ۴ـ نتایج محاسباتی ۵۵
۴-۱-مقدمه ۵۶
۴-۲-نتایج رگرسیون چندمتغیره ۵۶
۴-۳-رگرسیون چندمتغیره ۵۸
۴-۳-۱- روش رگرسیونگیری متداول ۵۸
۴-۳-۱-۱- نمودار نرمال رگرسیون چندمتغیره ۶۰
۴-۳-۱-۲-بررسی همخطی در میان متغیرها ۶۱
۴-۳-۲-روش افزایش متغیر ۶۲
۴-۳-۲-۱-نمودار نرمال رگرسیون چندمتغیره ۶۴
۴-۳-۲-۲-بررسی همخطی در میان متغیرها ۶۴
۴-۳-۳-روش کاهش متغیر ۶۵
۴-۳-۳-۱-نمودار نرمال رگرسیون چندمتغیره ۶۸
۴-۳-۳-۲-بررسی همخطی در میان متغیرها ۶۸
۴-۳-۴-روش گامبهگام ۶۹
۴-۳-۴-۱-نمودار نرمال رگرسیون چندمتغیره ۷۲
۴-۳-۴-۲-بررسی همخطی در میان متغیرها ۷۲
۴-۴-پیشبینی با کمک سریهای زمانی ۷۳
۴-۵-شبکه عصبی ۷۷
۴-۵-۱-ویژگیهای شبکه عصبی مورد استفاده ۷۸
۴-۵-۲-بررسی پایایی مدل شبکهعصبی ۸۳
۴-۶-جمعبندی ۸۴
فصل ۵ـ نتیجهگیری و پیشنهادات ۸۵
۵-۱-مقدمه ۸۶
۵-۲-نتیجهگیری ۸۷
۵-۳-پیشنهادات آتی ۸۸
الگوریتم عصبی آماری پیشبینی ارزش طلا
منابع و ماخذ ۸۹
کلمات کلیدی
الگوریتم عصبی آماری پیشبینی ارزش طلا , شبکه عصبی , پیش بینی ارزش طلا , روش های آماری , neural network