Comparison performance of Artificial Neural Networks and Fuzzy Inference systems in forecasting precious metals price Case Study: Gold, Silver, Platinum and Palladium
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle