(3.236.175.108) 您好!臺灣時間:2021/02/28 03:27
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:郭啟榮
研究生(外文):Chi-Jung Kuo
論文名稱:基於以時間序列、類神經網路、決策樹在單變量與多變量對黃金價格預測能力之比較
論文名稱(外文):The Univariable and Multivariable Gold Price Prediction Model Comparisons based on Time Series, Neural Network and Decision Tree
指導教授:蔡孟勳蔡孟勳引用關係
口試委員:林建宇陳牧言
口試日期:2017-06-28
學位類別:碩士
校院名稱:國立中興大學
系所名稱:資訊管理學系所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:36
中文關鍵詞:資料探勘時間序列類神經網路決策樹黃金價格預測
外文關鍵詞:data miningtime seriesneural networksdecision treegold priceforecast
相關次數:
  • 被引用被引用:0
  • 點閱點閱:922
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
黃金一直以來都是市場上熱門的投資標的,不管是政治、經濟動盪時可以做為避險保值或是經濟熱絡時可做為投機和分善投資風險的工具。黃金可投資的市場多元,相關的黃金商品如現貨、衍生性金融商品及基金等種類繁多。在全球化、科技化的潮流下讓投資的管道開放、即時,但也讓商品的價格波動劇烈且無規律性。傳統以購買需求與週期性的方式來推估黃金價格,已無法適用於現在的時空環境。運用現今熱門的資料探勘技術是否可供投資黃金商品時做為判斷決策,爰為本研究之動機。
本研究係以Quandl網站在2010年至2016年的黃金價格、美元指數、S&P500指數、石油價格資料,透過時間序列、類神經網路、決策樹三大類中的指數平滑法、整合移動平均自回歸模型、廣義自回歸條件異質變異數模型、前饋類神經網路、倒傳遞類神經網路、隨機森林、自適應增強、極端梯度上升,共八項預測方法進行模型訓練及預測,並對其預測數據進行準確度的計算。經本研究發現以多變量預測方法較單變量預測方法適合做預測,且自適應增強方法較其他方法準確;唯2011年黃金價格處於高動盪的狀態時,原本預測能力較差的極端梯度上升方法反而相較其他方法有較好的準確度。投資市場原本就瞬息萬變,唯有不斷分析比較各預測方法模型及資料的預測能力,才能靈活運用各預測模型的特性做為投資時預測的依據。
誌 謝 i
摘 要 ii
Abstract iii
目 錄 i
圖目錄 ii
表目錄 iii
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 論文架構及流程 3
第二章 文獻探討 4
第一節 時間序列預測方法 4
第二節 類神經網路預測方法 7
第三節 決策樹預測方法 8
第三章 研究方法 11
第一節 開發平台介紹 11
第二節 資料蒐集 11
第三節 資料預處理 15
第四節 預測模型訓練 17
第五節 預測結果計算準確度 20
第四章 結果與分析 21
第一節 單變量預測結果 21
第二節 單變量預測準確度 26
第三節 多變量預測結果 27
第四節 多變量預測準確度 32
第五節 各預測模型準確度分析 33
第五章 結論與未來研究方向 34
第一節 結論 34
第二節 未來研究方向 34
參考文獻 35
[1]Brown, Robert G. (1956). Exponential Smoothing for Predicting Demand. Cambridge, Massachusetts: Arthur D. Little Inc. p. 15.
[2]Hyndman, R.J., Akram, Md., and Archibald, B. (2008) "The admissible parameter space for exponential smoothing models". Annals of Statistical Mathematics, 60(2), 407–426.
[3]Box, George; Jenkins, Gwilym (1970). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 987-1007.
[4]Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
[5]Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural networks, 2(5), 359-366.
[6]Werbos, P. (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences.
[7]Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
[8]Freund, Y., & Schapire, R. E. (1995, March). A desicion-theoretic generalization of on-line learning and an application to boosting. In European conference on computational learning theory (pp. 23-37). Springer Berlin Heidelberg.
[9]Chen, T., & He, T. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2.
[10]Zeng, L., MA, D. D., & LIU, Z. X. (2010). Gold Price Forecast Based on Improved BP Neural Network. Computer Simulation, 9, 054.
[11]Shafiee, S., & Topal, E. (2010). An overview of global gold market and gold price forecasting. Resources Policy, 35(3), 178-189.
[12]Parisi, A., Parisi, F., & Díaz, D. (2008). Forecasting gold price changes: Rolling and recursive neural network models. Journal of Multinational financial management, 18(5), 477-487.
[13]Tully, E., & Lucey, B. M. (2007). A power GARCH examination of the gold market. Research in International Business and Finance, 21(2), 316-325.
[14]Grudnitski, G., & Osburn, L. (1993). Forecasting S&P and gold futures prices: An application of neural networks. Journal of Futures Markets, 13(6), 631-643.
[15]Liu, C. (2009, September). Price forecast for gold futures based on GA-BP neural network. In Management and Service Science, 2009. MASS''09. International Conference on (pp. 1-4). IEEE.
[16]Wang, C., Chen, Y., & Li, L. (2007, November). The forecast of gold price based on the GM (1, 1) and Markov chain. In Grey Systems and Intelligent Services, 2007. GSIS 2007. IEEE International Conference on (pp. 739-743). IEEE.
[17]Li, B. (2014). Research on WNN modeling for gold price forecasting based on improved artificial bee colony algorithm. Computational intelligence and neuroscience, 2014, 2.
[18]Abdullah, L. (2012). ARIMA model for gold bullion coin selling prices forecasting. International Journal of Advances in Applied Sciences, 1(4), 153-158.
[19]Hadavandi, E., Ghanbari, A., & Abbasian-Naghneh, S. (2010, August). Developing a time series model based on particle swarm optimization for gold price forecasting. In Business Intelligence and Financial Engineering (BIFE), 2010 Third International Conference on (pp. 337-340). IEEE.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔