Comparison performance of Artificial Neural Networks and Fuzzy Inference systems in forecasting precious metals price Case Study: Gold, Silver, Platinum and Palladium
Notice bibliographique
Résumé
Awareness about the price of precious metals and the correct prediction on the process of taking decision can bring facilities, and purchasing them in the global market and recognizing the specific time of dealing can cause investment. In this article comparison of the performance of Artificial Neural Networks and Fuzzy Inference Systems in predicting the price of the precious metals (Case Study: Gold, Silver, Platinum and Palladium).has been pointed. The information about each of these metals (Gold, Silver, Platinum and Palladium) is monthly considered from 1998 until 2018 including 360 data. Thus, by examining different influential variables, National Product Parameters, Time, getting higher the value of USD dollar against the Canadian dollar, global production and global reserves of precious metals are chosen as influential variables. In this research, implementation of (ANFIS) is made for the prediction model by using Artificial and Fuzzy Neural Model. Evaluation of models by using coefficient values, the average set of squares and the square root of the average set of the squares in order of the values for Gold 0.9964 , 0.000268 & 0.01637 for silver 0.987, 0.000092 & 0.0096, for platinum 0.9976, 0.000209 & 0.01448 and for palladium 0.99, 0.0001 & 0.01 have been achieved. As a result, while the best predictive model for the price of gold and platinum is Artificial Neural Networks, the model of ANFIS is suggested for the silver and palladium.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».