پیش بینی قیمت مس با استفاده از ابزارهای رگرسیون بردار پشتیبان، بیز ساده، حافظه کوتاه مدت وK -نزدیکترین همسایگی

این مقاله یک مطالعه مقایسه ای از چهار مدل یادگیری ماشین، یعنی حافظه کوتاه مدت (K (LSTM-نزدیکترین همسایگی (KNN)، رگرسیون بردار پشتیبان (SVR) و بیز ساده( naive bayes) برای پیش بینی قیمت مس ارائه می دهد. هدف این مطالعه ارزیابی عملکرد این مدل ها در پیش بینی قیمت های آتی مس بر اساس داده های تاریخی است مجموعه داده مورد استفاده در این مطالعه شامل داده های تاریخی قیمت مس و ویژگی های مربوطه است که ممکن است بر نوسانات قیمت تاثیر بگذارد. هر مدل بر روی زیر مجموعه ای از داده ها آموزش داده می شود و در یک مجموعه آزمون جداگانه ارزیابی می شود تا دقت پیش بینی آنها ارزیابی شود. معیارهای عملکرد مختلفی مانند میانگین خطای مطلق (MAE)، خطای میانگین مربعات ریشه (RMSE) و R-squared برای مقایسه قابلیت های پیش بینی مدل ها استفاده می شوند. نتایج نشان می دهد که مدل K-نزدیکترین همسایگی از نظر دقت پیش بینی برای پیش بینی قیمت مس از مدل های دیگر بهتر عمل می کند. KNN عملکرد برتر را در ثبت الگوها و روندهای اساسی در داده ها نشان می دهد که منجر به پیش بینی دقیق تر قیمت می شود توانایی مدل برای شناسایی الگوهای مشابه در داده های تاریخی و استفاده از آنها برای پیش بینی قیمت های آینده به موفقیت آن در این کار کمک می کند. به طور کلی، این مطالعه اهمیت انتخاب یک مدل یادگیری ماشین مناسب برای پیش بینی وظایف را برجسته می کند و اثربخشی KNN را در پیش بینی قیمت مس نشان می دهد. این یافته ها بینش های ارزشمندی را برای محققان و دست اندرکاران بازارهای مالی که برای اهداف تصمیم گیری بر پیش بینی قیمت دقیق تکیه می کنند، ارائه می کند.

کلیدواژه ها:

پیش بینی قیمت مس ، رگرسیون بردار پشتیبان ، بیز ساده ، حافظه کوتاه مدت و K - نزدیکترین همسایگی.