Applying Machine Learning Techniques to Analyze and Explore Precious Metals
Notice bibliographique
Résumé
This paper examines the utilization of machine learning methods to predict the values of valuable metals, specifically gold, silver, palladium, and platinum, from 2017 to 2023. Accurate price prediction for these commodities is tough yet crucial for investors and stakeholders due to their volatile nature, influenced by macroeconomic, geopolitical, and market-specific factors. We utilize historical price data to create and assess various machine-learning models to improve predicting accuracy. It utilizes machine learning techniques, specifically the Gaussian Mixture Model (GMM), to accurately collect and analyze the patterns present in the data. The study entails thorough data preprocessing, which encompasses cleaning and normalization, and models undergo training and validation through cross-validation techniques. Their performance is assessed using metrics such as Entropy, Log-Likelihood, Normalized Entropy Criterion (NEC), Integrated Completed Likelihood (ICL), Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC). Our research shows that machine learning models offer higher forecasting capabilities. In addition, the prices of precious metals saw a substantial rise during the COVID-19 pandemic due to increased demand for secure investments, industrial usage, favorable monetary policies, worries about inflation, and a devalued US dollar. The pandemic underscored the dual nature of precious metals as both valuable metals and commodities used in industries, leading to an increase in their price during this time. The paper provides advice for investors and policymakers on how to utilize machine learning-driven insights to make well-informed decisions in the precious metals market.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».