پيش‌بيني قيمت طلا با استفاده از سري هاي زماني و شبكه عصبي مصنوعي

Gold price prediction utilizing time series and artificial neural networks

برآورد قيمت آينده طلا توجه بسياري از محققان را به خود جلب كرده و تاكنون براي اين كار از روش‌هاي متنوعي استفاده شده است. توانايي پيش‌بيني قيمت آينده، توان رقابتي فعالان اقتصادي در اين حوزه را افزايش مي‌دهد. در چند دهه گذشته كه روش‌هاي هوش مصنوعي متداول نبوده است، براي پيش‌بيني قيمت معمولا روش‌هاي آماري مورد استفاده قرار مي‌گرفت. در دهه‌ي اخير با رشد روش‌هاي هوشمند، شبكه‌هاي عصبي و منطق فازي براي پيش‌بيني قيمت به طور گسترده‌اي مورد استفاده قرار گرفته است. در اين مقاله، قيمت هفتگي طلا (دلار آمريكا بر اٌنس) پس از انجام عمليات پيش‌پردازش بر روي داده‌ها، تركيب دو روش سري‌زماني و شبكه عصبي مصنوعي (ANN) براي پيش‌بيني قيمت طلا استفاده شده است. شبكه عصبي چندلايه(MLP) با الگوريتم Levenberg-Marquardt Backpropagation آموزش ديده و براي پيش‌بيني قيمت طلا مورد استفاده قرار گرفته است. نتايج نشان دهنده آن است كه تركيب دو روش مذكور قابليت بالايي در پيش‌بيني قيمت طلا دارد. در واقع مي توان با بررسي همبستگي بين داده‌هاي ورودي به بررسي ميزان اين همبستگي در آينده پرداخته و به نتايج بهتري از پيش بيني دست يافت.

The future estimationof gold price has attracted attention of many researchers and various methods have been used so far. The ability to predict future prices will increase the competitive power of economic activists in this area. In the past few decades, when artificial intelligence techniques were not popular, statistical methods were commonly used to predict prices. In the last decade, with the growth of smart methods, neural networks and fuzzy logic have been widely used to predict prices. In this paper, the weekly price of gold (US Dollars per ouns) was used and after doing preprocessing operations on data, combination of two methods, time series and artificial neural network (ANN) were used to predict the price of gold. A Multilayer Neural Network (MLP) has been trained using the Levenberg-Marquardt Back propagation algorithm to predict gold prices. The results indicate that the combination of the two methods have a high potential for predicting gold prices.