پایان نامه پیش بینی قیمت طلا با داده کاوی

پایان نامه پیش بینی قیمت طلا با داده کاوی با عنوان بررسی عوامل موثر بر قیمت طلا و ارائه مدل پیش بینی قیمت آن به کمک تکنیک‌های پیشرفته داده کاوی می باشد.در این پژوهش  تمامی عوامل موثر  بر پیش بینی قیمت طلا،  نسبت به عوامل موثر پیشین بررسی شد و بدین صورت  نتیجه گیر‌ی  شدکه دقت پیش بینی ها  در صورتی که از عوامل بررسی شده در پژوهش استفاده کردیم نسبت به عواملی که قبلا در نظر گرفته شده بود بهبود یافت و همچنین دقت پیش بینی در شبکه‌های عصبی به مراتب بالاتر از روشهای رگرسیون و سری زمانی است  و روش رگرسیون بهتر از روش سری‌های زمانی می‌باشد و همچنین ما بیشترین بهبود را در روشهای سری زمانی با افزایش  دقت  7.3 در صد داشتیم.در پیش بینی قیمت طلا در ایران مهمترین عوامل تاثیر گذار قیمت طلای جهانی،قیمت نفت،شاخص مصرف کننده در ایران،میزان بدهکاری دولت آمریکا،تورم در ایران،میزان تولید ناخالص داخلی ایران و نرخ سود بانکی و میزان تپیکس می‌باشد.

در فصل اول مقدمه، در فصل دوم ادبیات موضوع  و مبانی نظری، در فصل سوم، عوامل موثر بر پیش بینی قیمت طلا ارائه گردید.در فصل چهارم آزمایش ها‌ی لازم برای بررسی عوامل موثر بر پیش بینی قیمت طلا ارائه گردید. در فصل پنجم، تکنیک‌‌های مورد استفاده در فصل قبل مقایسه می گردد.

فهرست مطالب

فصل اول: 

۱-مقدمه    1

۱-۱ضرورت و اهمیت پیش بینی قیمت طلا    2

۱-۲-هدف پایان نامه    6
۱-۳- مراحل انجام تحقیق    7
۱-۴ – ساختار پایان نامه    7

فصل دوم: 2- ادبیات موضوع و مبانی نظری تحقیق    10
۲-۱-مقدمه    10
۲-۲-رویکرد ماشین و داده کاوی    10
۲-۳-فرایند داده کاوی    13
۲-۴-ابزارها و تکنیک‌‌های داده کاوی    15
۲-۵-روش‌‌های داده کاوی    16
۲-۵-۱- روش‌‌های توصیف داده ها    17
۲-۵-۲-درخت تصمیم    17
۲-۵-۳-شبکه عصبی    18
۲-۵-۴-تشخیص آنومالی    19
۲-۵-۵-روش‌های سری زمانی    19
۲-۵-۶-روش‌های رگرسیون خطی    20
۲-۶-خلاصه فصل    21

فصل سوم: 3-بررسی عوامل موثر بر پیش بینی قیمت طلا    23

۳-۱-مقدمه    23
۳-۲- مجموع عوامل تاثیر گذار بر قیمت طلا    23
۳-۲-۱-شاخص بهای مصرف کننده (CPI)    24
۳-۲-۲-SPDR    25
۳-۲-۳-تعهدات باز (OPEN INTEREST)    26
۳-۲-۴-هرج و مرج و جنگ در کشور‌های تولید کننده نفت    27
۳-۲-۵-شاخص دلار آمریکا    28
۳-۲-۶-فروش رسمی    29
۳-۲-۷-USGDP:تولید ناخالص داخلی ایالت متحده    30
۳-۲-۸-قیمت مسکن    30
۳-۲-۹-ذخائر نفت ایالت متحده    30
۳-۲-۱۰-نرخ مبادله دلار /یورو    31
۳-۲-۱۱هزینه مصرف خصوصی    32
۳-۲-۱۲-هزینه مصرفی دولت و سرمایه ناخالص    34
۳-۲-۱۳-صادرات کالا و خدمات    36
۳-۲-۱۴-واردات کالا و خدمات    36
۳-۲-۱۵-افزایش هزینه‌ی نیروی کار    37
۳-۲-۱۶-افزایش تقاضای طلای هند و چین    37
۳-۲-۱۷-بحران‌های اقتصادی آمریکا و بدتر شدن وضعیت اقتصادی جهان    38
۳-۲-۱۸تورم ناشی از به‌کارگیری سیاست‌های انبساطی پولی بانک‌های مرکزی    39
۳-۲-۱۹-بحران بدهی دولت آمریکا و کشورهای منطقه‌ی یورو و ژاپن    40
۳-۲-۲۰-ورود بانک مرکزی کشورها به بازار طلا    41
۳-۲- ۲۱-کاهش نرخ بهره بانکی    42
۳-۲-۲۲- صندوق بین‌المللی پول و فروش طلا    42
۳-۲-۲۳-تغییر ارزش دلار نسبت به نرخ سایر ارزها(اندیس دلار)    45
۳-۲-۲۴-اعیاد و مناسبت ها    45
۳-۲-۲۵- رشد نقدینگی    46
۳-۲-۲۵-۱-تزریق در آمد‌‌های ارزی حاصل از فروش نفت به جامعه    47
۳-۲-۲۵-۲-  افزایش نقدینگی توسط بانک مرکزی    47
۳-۲-۲۵-۳-اعتبارات و پرداخت‌‌های بانک مرکزی و سیستم بانکی    48
۳-۲-۲۵-۴- استقراض بیش از حد دولت از بانک مرکزی    48
۳-۲-۲۵-۵- سیاست‌‌های پولی  انبساطی    49
۳-۲-۲۵-۶-  کسری بودجه دولت    49
۳-۲-۲۶-شاخص در آمد کل    49
۳-۲-۲۷-قیمت مس    51
۳-۳-مروری بر تحقیقات انجام شده    51
۳-۴-خلاصه فصل    65

فصل چهارم: 4- ارائه روش پیشنهادی    67
۴-۱-مقدمه    67
۴-۲- معرفی روش پیشنهادی    67
۴-۳- ارزیابی روش پیشنهادی    68
۴-۴- انتخاب نرم افزار    68
۴-۵-مشخصه‌های  جمع اوری شده در پژوهش    70
۴-۶-جدول مربوط به مشخصه‌های جمع آوری شده در پژوهش‌های پیشین     73
۴-۷-ضریب همبستگی    75
۴-۸-داده‌های دور افتاده    79
۴-۹-تکنیک‌های مورد استفاده    80
۴-۱۰-پیش بینی با استفاده از شبکه‌های عصبی    81
۴-۱۰-۱-پیش بینی با استفاده از شبکه‌های عصبی متد MLP    81
۴-۱۰-۲-پیش بینی با استفاده روش شبکه‌های عصبی مدل RBF    86
۴-۱۱پیش بینی با استفاده از روش رگرسیون    91
۴-۱۱-۱- پیش بینی با استفاده از روش رگرسیون،روش ورود متغیر  Enter    92
۴-۱۱-۲-پیش بینی با روش رگرسیون با استفاده از روش ورود متغیر Stepwise    94
۴-۱۲-پیش بینی با استفاده از روش سری‌های زمانی   ARIMA    97
۴-۱۲-۱-محاسبات مربوط به ساختن مدل ARIMA با بررسی عوامل عنوان شده در  پژوهش    97
۴-۱۲-۲-محاسبات مربوط به ساختن مدل ARIMA با بررسی عوامل پیشین    100
۴-۲- مقایسه نتایج    103
۴-۱۳-خلاصه فصل    104

فصل پنجم مقایسه و نتیجه گیری    107
۵-۱- جمع بندی مطالب    107
۵-۲-نتیجه گیری    107
۵-۳-پیشنهاداتی برای مطالعات آینده    108
فهرست منابع فارسی    109
فهرست منابع انگلیسی    111

 
فهرست مطالب
جدول ۴-۱-مشخصه‌های جمع آوری شده در مدل    53
جدول۴-۲- مشخصه‌های جمع آوری شده در پژوهش‌های پیشین    55
جدول ۴-۳-مشخصه‌های جمع آوری شده به صورت روزانه در مدل    55
جدول ۴-۴-مشخصه‌های جمع آوری شده به صورت ماهیانه در مدل    55
جدول ۴-۵-مشخصه‌های جمع آوری شده به صورت سالیانه در مدل    56
جدول ۴-۶-ضرایب همبستگی مربوط به عوامل بررسی شده در مدل    57
جدول ۴-۷-دقت پیش بینی با استفاده از شبکه عصبی متد MLP    62
جدول۴-۸-مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل MLP با بررسی عوامل عنوان شده در پژوهش    63
جدول ۴-۹- مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل MLP با بررسی عوامل پیشین    63
جدول ۴-۱۰-دقت پیش بینی با روش شبکه‌های عصبی مدل RBF    67
جدول۴-۱۱-مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل RBF با بررسی عوامل عنوان شده در پژوهش    67
جدول۴-۱۳-مقادیر خطای به دست آمده با استفاده از روش رگرسیون  مدل Enter با بررسی عوامل عنوان شده در پژوهش    71
جدول۴-۱۴-مقادیر خطای به دست آمده با استفاده از روش رگرسیون  مدل Enter با بررسی عوامل پیشین    71
جدول ۴-۱۵-مقادیر خطای به دست آمده با استفاده از روش رگرسیون متد Stepwise با بررسی عوامل عنوان شده در پژوهش    73
جدول ۴-۱۶- مقادیر خطای به دست آمده با استفاده از روش رگرسیون متد Stepwise   با بررسی عوامل پیشین    74
جدول ۴-۱۷- مقادیر خطای به دست آمده با استفاده از روش سری زمانی مدل اریما  با بررسی عوامل عنوان شده در پژوهش    76
جدول ۴-۱۸- پارامترهای مدل اریما با بررسی عوامل بررسی شده در پژوهش    76
جدول ۴-۱۹- مقادیر خطای به دست آمده با استفاده از روش سری زمانی مدل اریما  با بررسی عوامل پیشین    78
جدول ۴-۲۰- پارامترهای مدل اریما با بررسی عوامل پیشین    78
جدول ۴-۲۱-جدول مقایسه نتایج تکنیک‌های داده کاوی با بررسی عوامل عنوان شده در پژوهش    79
جدول ۴-۲۲-جدول مقایسه نتایج تکنیک‌های داده کاوی با بررسی عوامل پیشین    79
جدول ۴-۲۳-جدول مربوط به بهبود دقت پیش بینی نسبت به عوامل بررسی شده پیشین    79

فهرست مطالب
شکل ۴-۱- صفحه اول نرم افزار کلمنتاین نسخه ۱۲    52
شکل ۴-۲-شمای کلی از نرم افزار Minitab 16 در پیدا کردن داده‌های دور افتاده    60
شکل ۴-۳- اولویت بندی فیلدهای منتخب توسط الگوریتم شبکه عصبی MLP    63
شکل ۴-۴-نمای پرسپترون سه لایه با اتصالاتش    65
شکل۴-۵- سطح تابع انتقال گوسین در هر واحد شبکه RBF    66
شکل ۴-۶- اولویت بندی فیلدهای منتخب توسط الگوریتم شبکه عصبی متد RBF    68
شکل ۴-۷-نمای RBF  سه لایه با اتصالاتش    69
شکل ۴-۸- اولویت بندی فیلدهای منتخب توسط روش رگرسیون با  استفاده از روش ورود متغیر  enter    70
شکل ۴-۹-معادله رگرسیون به دست آمده برای پیش بینی قیمت طلا با متد Enter    71
شکل ۴-۱۰-اولویت بندی فیلدهای منتخب توسط روش رگرسیون با  استفاده از روش ورود متغیر  Stepwise    72
شکل ۴-۱۱-معادله رگرسیون به دست آمده برای پیش بینی قیمت طلا با متد Stepwise    73
شکل ۴-۱۲-نمودارتابع خودهمبستگی تفاضل گیری شده با بررسی عوامل عنوان شده در پژوهش    75
شکل ۴-۱۳-نمودارتابع خودهمبستگی جزئی تفاضل گیری شده با بررسی عوامل عنوان شده در پژوهش    75
شکل ۴-۱۴-نمودارتابع خودهمبستگی تفاضل گیری شده با بررسی عوامل پیشین    77
شکل۴-۱۵-نمودارتابع خودهمبستگی جزیی تفاضل گیری شده با بررسی عوامل پیشین    77