پروپوزال پیش بینی قیمت طلا با داده کاوی (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
دانشکده آموزش‌های الکترونیکی
پایان نامه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات (تجارت الکترونیک)
بررسی عوامل موثر بر قیمت طلا و ارائه مدل پیش بینی قیمت آن به کمک تکنیک‌های پیشرفته داده کاوی
به کوشش
مینو دلجوان انوری
استاد راهنما:
دکتر اشکان سامی
شهریور ماه 1393
تقدیم به
خانواده عزیزم که همواره بر کوتاهی و درشتی من، قلم عفو کشیده و کریمانه از کنار غفلت هایم گذشته اند و سعادت مرا هدف زندگی خود قرار داده و سوختند تا در راه‌های تاریک و پر فراز و نشیب زندگی مشعل راه من باشند.
سپاسگزاری
اكنون كه اين رساله به پايان رسيده است از استاد ارجمند جناب آقای دکتر اشکان سامی که در کمال سعه صدر و با حسن خلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این رساله را بر عهده گرفتند و همچنین ازاستادان بزرگوار دکتررضا جاویدان که زحمت مشاوره و جناب آقاي دكتر اقبال منصوری كه زحمت داوري این رساله را متقبل شدند؛ کمال تشکر و قدردانی را دارم. همچنين از مديريت محترم کارگزاری مفید که در تکمیل اين تحقيق نقش به سزايي داشتند، تشكر مي نمايم.از استاد بزرگوار دکتر اکبریان کمال تشکر را دارم که با راهنمایی ایشان مباحث اقتصادی رو آموختم.از جواهر فروشی ایران زر که با در اختیار گذاشتن اطلاعاتشان مرا یاری دادند تشکر میکنم.از مدیریت محترم بانک کشاورزی جناب اقای دکتر رزاق منش و در نهایت از دوستان عزیزم جناب آقای سعید انتظاری و سرکار خانم معصومه پور ایرجی کمال تشکر را دارم.
چکیده
بررسی عوامل موثر بر قیمت طلا و ارئه مدل پیش بینی قیمت آن به کمک تکنیک‌های پیشرفته داده کاوی
به کوشش
مینو دلجوان انوری
طلا همواره به عنوان فلزی گران بها مورد توجه بشر بوده است، بنابراین پیش بینی قیمت آن از اهمیت فراوانی برخوردار است.بررسی دقیق عوامل موثر در پیش بینی قیمت طلا اهمیت و تاثیر بسزایی در افزایش دقت پیش بینی دارد. در این مطالعه و تحقیق عوامل موثر و بیشتری در مقایسه با تحقیقات قبلی مورد بررسی قرار گرفته است.و از نظر تقسیم بندی زمانی،دادههای جمع آوری شده به سه دسته روزانه،ماهانه و سالانه تقسیم شدند.آزمایشات انجام شده، نشان داد که دقت پیش بینی ها در این مطالعه، نسبت به مطالعات پیشین، باعث بهبود 2% دقت پیش بینی در روشهای شبکه‌های عصبی و 7.3% در روشهای سری زمانی و 5.6% در روش رگرسیون خطی شده است. نتایج حاصله بیانگر کارآمدی عوامل بررسی شده در پژوهش، برای پیش بینی قیمت طلا میباشد و نتایج این تحقیق، باعث سودآوری برای افراد،سایر سازمان ها و طلا فروشی ها میباشد. و در انتها پیشنهاداتی برای مطالعات آینده ارائه گردیده است.
واژگان کلیدی: داده کاوی، عوامل موثربرپیش بینی،سری‌های زمانی،،شبکه‌های عصبی،روشهای رگرسیون،دقت پیش بینی.
فهرست مطالب
عنوان صفحه
TOC \o "1-3" \h \z \u فصل اول:
1-مقدمه PAGEREF _Toc398742324 \h 1
1-1ضرورت و اهمیت پیش بینی قیمت طلا PAGEREF _Toc398742325 \h 2
1-2-هدف پایان نامه PAGEREF _Toc398742326 \h 6
1-3- مراحل انجام تحقیق PAGEREF _Toc398742327 \h 7
1-4 - ساختار پايان نامه PAGEREF _Toc398742328 \h 7
فصل دوم:
2- ادبيات موضوع و مباني نظري تحقيق PAGEREF _Toc398742330 \h 10
2-1-مقدمه PAGEREF _Toc398742331 \h 10
2-2-رويكرد ماشين و داده كاوي PAGEREF _Toc398742332 \h 10
2-3-فرايند داده كاوي PAGEREF _Toc398742333 \h 13
2-4-ابزارها و تكنيك‌‌های داده كاوي PAGEREF _Toc398742334 \h 15
2-5-روشهای داده كاوي PAGEREF _Toc398742335 \h 16
2-5-1- روشهای توصيف داده ها PAGEREF _Toc398742336 \h 17
2-5-2-درخت تصميم PAGEREF _Toc398742337 \h 17
2-5-3-شبكه عصبي PAGEREF _Toc398742338 \h 18
2-5-4-تشخيص آنومالي PAGEREF _Toc398742339 \h 19
2-5-5-روشهای سری زمانی PAGEREF _Toc398742340 \h 19
2-5-6-روشهای رگرسیون خطی PAGEREF _Toc398742341 \h 20
2-6-خلاصه فصل PAGEREF _Toc398742342 \h 21
فصل سوم:
3-بررسی عوامل موثر بر پیش بینی قیمت طلا PAGEREF _Toc398742344 \h 23
3-1-مقدمه PAGEREF _Toc398742345 \h 23
3-2- مجموع عوامل تاثیر گذار بر قیمت طلا PAGEREF _Toc398742346 \h 23
3-2-1-شاخص بهای مصرف کننده (CPI) PAGEREF _Toc398742347 \h 24
3-2-2-SPDR PAGEREF _Toc398742348 \h 25
3-2-3-تعهدات باز (OPEN INTEREST) PAGEREF _Toc398742349 \h 26
3-2-4-هرج و مرج و جنگ در کشورهای تولید کننده نفت PAGEREF _Toc398742350 \h 27
3-2-5-شاخص دلار آمریکا PAGEREF _Toc398742351 \h 28
3-2-6-فروش رسمی PAGEREF _Toc398742352 \h 29
3-2-7-USGDP:تولید ناخالص داخلی ایالت متحده PAGEREF _Toc398742353 \h 30
3-2-8-قیمت مسکن PAGEREF _Toc398742354 \h 30
3-2-9-ذخائر نفت ایالت متحده PAGEREF _Toc398742355 \h 30
3-2-10-نرخ مبادله دلار /یورو PAGEREF _Toc398742356 \h 31
3-2-11هزینه مصرف خصوصی PAGEREF _Toc398742357 \h 32
3-2-12-هزینه مصرفی دولت و سرمایه ناخالص PAGEREF _Toc398742358 \h 34
3-2-13-صادرات کالا و خدمات PAGEREF _Toc398742359 \h 36
3-2-14-واردات کالا و خدمات PAGEREF _Toc398742360 \h 36
3-2-15-افزایش هزینهی نیروی کار PAGEREF _Toc398742361 \h 37
3-2-16-افزایش تقاضای طلای هند و چین PAGEREF _Toc398742362 \h 37
3-2-17-بحران‌های اقتصادی آمریکا و بدتر شدن وضعیت اقتصادی جهان PAGEREF _Toc398742363 \h 38
3-2-18تورم ناشی از به‌کارگیری سیاست‌های انبساطی پولی بانکهای مرکزی PAGEREF _Toc398742364 \h 39
3-2-19-بحران بدهی دولت آمریکا و کشورهای منطقه‌ی یورو و ژاپن PAGEREF _Toc398742365 \h 40
3-2-20-ورود بانک مرکزی کشورها به بازار طلا PAGEREF _Toc398742366 \h 41
3-2- 21-کاهش نرخ بهره بانکي PAGEREF _Toc398742367 \h 42
3-2-22- صندوق بين‌المللي پول و فروش طلا PAGEREF _Toc398742368 \h 42
3-2-23-تغییر ارزش دلار نسبت به نرخ سایر ارزها(اندیس دلار) PAGEREF _Toc398742369 \h 45
3-2-24-اعیاد و مناسبت ها PAGEREF _Toc398742370 \h 45
3-2-25- رشد نقدینگی PAGEREF _Toc398742371 \h 46
3-2-25-1-تزريق در آمد‌‌های ارزي حاصل از فروش نفت به جامعه PAGEREF _Toc398742372 \h 47
3-2-25-2- افزايش نقدينگي توسط بانك مركزي PAGEREF _Toc398742373 \h 47
3-2-25-3-اعتبارات و پرداختهای بانك مركزي و سيستم بانكي PAGEREF _Toc398742374 \h 48
3-2-25-4- استقراض بيش از حد دولت از بانك مركزي PAGEREF _Toc398742375 \h 48
3-2-25-5- سياست‌‌های پولي انبساطي PAGEREF _Toc398742376 \h 49
3-2-25-6- كسري بودجه دولت PAGEREF _Toc398742377 \h 49
3-2-26-شاخص در آمد کل PAGEREF _Toc398742378 \h 49
3-2-27-قیمت مس PAGEREF _Toc398742379 \h 51
3-3-مروری بر تحقیقات انجام شده PAGEREF _Toc398742380 \h 51
3-4-خلاصه فصل PAGEREF _Toc398742381 \h 65
فصل چهارم:
4- ارائه روش پيشنهادي PAGEREF _Toc398742383 \h 67
4-1-مقدمه PAGEREF _Toc398742384 \h 67
4-2- معرفی روش پیشنهادی PAGEREF _Toc398742385 \h 67
4-3- ارزيابي روش پيشنهادي PAGEREF _Toc398742386 \h 68
4-4- انتخاب نرم افزار PAGEREF _Toc398742387 \h 68
4-5-مشخصه‌های جمع اوری شده در پژوهش PAGEREF _Toc398742389 \h 70
4-6-جدول مربوط به مشخصه‌های جمع آوری شده در پژوهشهای پیشین PAGEREF _Toc398742391 \h 73
4-7-ضریب همبستگی PAGEREF _Toc398742396 \h 75
4-8-دادههای دور افتاده PAGEREF _Toc398742398 \h 79
4-9-تکنیک‌های مورد استفاده PAGEREF _Toc398742400 \h 80
4-10-پیش بینی با استفاده از شبکه‌های عصبی PAGEREF _Toc398742401 \h 81
4-10-1-پیش بینی با استفاده از شبکه‌های عصبی متد MLP PAGEREF _Toc398742402 \h 81
4-10-2-پیش بینی با استفاده روش شبکه‌های عصبی مدل RBF PAGEREF _Toc398742409 \h 86
4-11پیش بینی با استفاده از روش رگرسیون PAGEREF _Toc398742416 \h 91
4-11-1- پیش بینی با استفاده از روش رگرسیون،روش ورود متغیر Enter PAGEREF _Toc398742417 \h 92
4-11-2-پیش بینی با روش رگرسیون با استفاده از روش ورود متغیر Stepwise PAGEREF _Toc398742422 \h 94
4-12-پیش بینی با استفاده از روش سری‌های زمانی ARIMA PAGEREF _Toc398742427 \h 97
4-12-1-محاسبات مربوط به ساختن مدل ARIMA با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc398742428 \h 97
4-12-2-محاسبات مربوط به ساختن مدل ARIMA با بررسی عوامل پیشین PAGEREF _Toc398742433 \h 100
4-2- مقايسه نتايج PAGEREF _Toc398742438 \h 103
4-13-خلاصه فصل PAGEREF _Toc398742442 \h 104
فصل پنجم
5- مقایسه و نتیجه گیری PAGEREF _Toc398742444 \h 107
5-1- جمع بندي مطالب PAGEREF _Toc398742445 \h 107
5-2-نتیجه گیری PAGEREF _Toc398742446 \h 107
5-3-پیشنهاداتی برای مطالعات آینده PAGEREF _Toc398742447 \h 108
فهرست منابع فارسی PAGEREF _Toc398742448 \h 109
فهرست منابع انگلیسی PAGEREF _Toc398742450 \h 111
فهرست مطالب
عنوان صفحه
TOC \o "1-3" \h \z \u
جدول 4-1-مشخصه‌های جمع آوری شده در مدل PAGEREF _Toc397618502 \h 53
جدول4-2- مشخصه‌های جمع آوری شده در پژوهشهای پیشین PAGEREF _Toc397618504 \h 55
جدول 4-3-مشخصه‌های جمع آوری شده به صورت روزانه در مدل PAGEREF _Toc397618505 \h 55
جدول 4-4-مشخصه‌های جمع آوری شده به صورت ماهیانه در مدل PAGEREF _Toc397618506 \h 55
جدول 4-5-مشخصه‌های جمع آوری شده به صورت سالیانه در مدل PAGEREF _Toc397618507 \h 56
جدول 4-6-ضرایب همبستگی مربوط به عوامل بررسی شده در مدل PAGEREF _Toc397618509 \h 57
جدول 4-7-دقت پیش بینی با استفاده از شبکه عصبی متد MLP PAGEREF _Toc397618515 \h 62
جدول4-8-مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل MLP با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618516 \h 63
جدول 4-9- مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل MLP با بررسی عوامل پیشین PAGEREF _Toc397618517 \h 63
جدول 4-10-دقت پیش بینی با روش شبکه‌های عصبی مدل RBF PAGEREF _Toc397618522 \h 67
جدول4-11-مقادیر خطای به دست آمده با استفاده از شبکه عصبی مدل RBF با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618523 \h 67
جدول4-13-مقادیر خطای به دست آمده با استفاده از روش رگرسیون مدل Enter با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618530 \h 71
جدول4-14-مقادیر خطای به دست آمده با استفاده از روش رگرسیون مدل Enter با بررسی عوامل پیشین PAGEREF _Toc397618531 \h 71
جدول 4-15-مقادیر خطای به دست آمده با استفاده از روش رگرسیون متد Stepwise با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618536 \h 73
جدول 4-16- مقادیر خطای به دست آمده با استفاده از روش رگرسیون متد Stepwise با بررسی عوامل پیشین PAGEREF _Toc397618537 \h 74
جدول 4-17- مقادیر خطای به دست آمده با استفاده از روش سری زمانی مدل اریما با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618542 \h 76
جدول 4-18- پارامترهای مدل اریما با بررسی عوامل بررسی شده در پژوهش PAGEREF _Toc397618543 \h 76
جدول 4-19- مقادیر خطای به دست آمده با استفاده از روش سری زمانی مدل اریما با بررسی عوامل پیشین PAGEREF _Toc397618547 \h 78
جدول 4-20- پارامترهای مدل اریما با بررسی عوامل پیشین PAGEREF _Toc397618548 \h 78
جدول 4-21-جدول مقایسه نتایج تکنیک‌های داده کاوی با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618554 \h 79
جدول 4-22-جدول مقایسه نتایج تکنیک‌های داده کاوی با بررسی عوامل پیشین PAGEREF _Toc397618555 \h 79
جدول 4-23-جدول مربوط به بهبود دقت پیش بینی نسبت به عوامل بررسی شده پیشین PAGEREF _Toc397618556 \h 79
فهرست مطالب
عنوان صفحه
TOC \o "1-3" \h \z \u
شكل 4-1- صفحه اول نرم افزار كلمنتاين نسخه 12 PAGEREF _Toc397618500 \h 52
شکل 4-2-شمای کلی از نرم افزار Minitab 16 در پیدا کردن دادههای دور افتاده PAGEREF _Toc397618511 \h 60
شکل 4-3- اولويت بندي فيلدهاي منتخب توسط الگوريتم شبکه عصبی MLP PAGEREF _Toc397618518 \h 63
شکل 4-4-نمای پرسپترون سه لایه با اتصالاتش PAGEREF _Toc397618519 \h 65
شکل4-5- سطح تابع انتقال گوسین در هر واحد شبکه RBF PAGEREF _Toc397618521 \h 66
شکل 4-6- اولويت بندي فيلدهاي منتخب توسط الگوريتم شبکه عصبی متد RBF PAGEREF _Toc397618525 \h 68
شکل 4-7-نمای RBF سه لایه با اتصالاتش PAGEREF _Toc397618526 \h 69
شکل 4-8- اولويت بندي فيلدهاي منتخب توسط روش رگرسیون با استفاده از روش ورود متغیر enter PAGEREF _Toc397618529 \h 70
شکل 4-9-معادله رگرسیون به دست آمده برای پیش بینی قیمت طلا با متد Enter PAGEREF _Toc397618532 \h 71
شکل 4-10-اولويت بندي فيلدهاي منتخب توسط روش رگرسیون با استفاده از روش ورود متغیر Stepwise PAGEREF _Toc397618534 \h 72
شکل 4-11-معادله رگرسیون به دست آمده برای پیش بینی قیمت طلا با متد Stepwise PAGEREF _Toc397618535 \h 73
شکل 4-12-نمودارتابع خودهمبستگی تفاضل گیری شده با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618540 \h 75
شکل 4-13-نمودارتابع خودهمبستگی جزئی تفاضل گیری شده با بررسی عوامل عنوان شده در پژوهش PAGEREF _Toc397618541 \h 75
شکل 4-14-نمودارتابع خودهمبستگی تفاضل گیری شده با بررسی عوامل پیشین PAGEREF _Toc397618545 \h 77
شکل4-15-نمودارتابع خودهمبستگی جزیی تفاضل گیری شده با بررسی عوامل پیشین PAGEREF _Toc397618546 \h 77
فصل اول
1-مقدمه
از گذشته‌های دور، طلا همواره به عنوان فلزی گرانبها مورد توجه قرار گرفته است،بنابراین پیش بینی قیمت آن از اهمیت فراوانی برخوردار بوده است. طلا به عنوان مهمترين استاندارد پولي جهان مطرح بوده و بيشترين مورد مصرف آن، در ساخت سكه و شمش طلا به عنوان ذخاير پولي بين‌المللي است. طلا به عنوان مهمترین پشتوانه پولی جهان و سرمایه ملی و پشتوانه اقتصادی کشورها و حتی ثروت امن خانوادهها مطرح بوده و کارایی دارد. طلا از منظری دیگر همواره راهکاری مناسب برای پس انداز و نگهداری سرمایه در میان مردم بوده است و مردم همیشه درصدد شناخت عوامل موثر بر قیمت آن بوده اند تا آنرا در شرایط مناسب (ارزان قیمت) خریده و علاوه بر بقیه مزیت ها، با فروش در موقعیت مناسب و با قیمت بالا، سود سرشاری را به دست آورند. طلا از ديدگاه اقتصادي مي تواند استراتژيک تلقي شود، زيرا خود پشتوانه مالي بوده و در بازارهاي جهاني نقش ارزنده اي را ايفا مي کند.
1-1ضرورت و اهمیت پیش بینی قیمت طلا
طلا همواره به عنوان رقيبي براي پولهاي رايج و جايگزيني براي آنها در ايفاي نقش ذخيره ارزش، موقعيت خود را در بحران‌هاي سياسي و اقتصادي حفظ کرده است. طلا همچنان کالایی امن، برای سرمایه‌گذاری در شرایط نامطمئن اقتصادی است.مارتین هنکه، تحلیلگر اقتصادی در این باره می‌گوید:" با وجود تمام این بی ثباتی‌های اقتصادی موجود، سرمایه‌گذاران به دلیل ترس از دست دادن داراییهای خود و به منظور رویایی با افزایش تورم، به طلا به عنوان کالایی امن روی آورده‌اند." تداوم سرمایه گذاری در بازار طلا و نقره موجب تداوم روند صعودی قیمت این فلزات گرانبها در بازارهای جهانی و ثبت رکوردهای جدید شده است.قاعدتاً پول رايج هر کشور بايد علاوه بر وظيفه مبادله پرداخت، به عنوان وسيلة ذخيرة ارزش نيز مورد استفاده قرار گيرد. در زمان جنگ، انقلاب و تورم شديد، پول رايج يك کشور نمي‌تواند نقش خود را به عنوان ذخيره ارزش به خوبي ايفا نمايد؛ چرا که دولتها براي تأمين هزينه‌‌های جنگ ناگزير پولهاي بدون پشتوانه توليد چاپ مي کنند. افزايش حجم پول در گردش و کاهش توليد و انحراف منابع کشور از توليدات رفاهي به توليدات و تجهيزات جنگي، موجب تورم مي شود و ارزش پول را کاهش مي دهد در اين زمان مردم براي حفظ ارزش دارايي خود به طلا روي مي آورند که ارزش آن با تورم افزايش مي يابد و به دارنده خود در مقابل تورم منفعت مي رساند؛
بنابراين، طلا از ديرباز، به عنوان پول يا شبه پول، به دليل قدرت نقدشوندگي بالا در سطح جهاني يك دارايي مهم و مقبول بوده است.
قيمت طلا در سطح جهان،با توجه به مقدار عرضه و تقاضا براي آن تعيين مي گردد. توليدکنندگان طلا (معادن)، بانكهاي مرکزي و فروشندگان طلاي قراضه از بزرگترين عرضه کنندگان طلا به بازارهاي جهاني هستند؛ همچنین جواهرسازان، صنعتگران، محتكران شمش طلا و سرمايه گذاران از متقاضيان اصلي طلا در بازار به شمار می‌روند. اهميت طلا به عنوان يك منبع ثروت و همچنين نقش كنترلي آن در سيستم پولي جهان كه به عنوان نيروي محركه اصلي در اكتشاف، استخراج و توليد طلا مطرح مي‌باشند.اگرچه روابط متقابل پول و طلا بسيار پيچيده است و روابطي كه در قطعي بودن آن اتفاق نظر وجود داشته باشد نادر است، ولي حداقل در اين خصوص كه اين دو به يكديگر مرتبط هستند اتفاق نظر وجود دارد. اين ارتباط در قالب‌هاي مختلفي بيان شده است.گفتارهاي زير همه به نحوي دلالت براين ارتباط اساسي بين پول و طلا دارند:
جدا از اينكه يك معدن داراي چه نوع ماده معدني است،معدنكاري آن براي دستيابي به طلاست.
قيمت طلا نه فقط از طريق ميزان عرضه و تقاضاي آن تعيين مي‌شود، بلكه از طريق ميزان عرضه و تقاضا براي سرمايه و اعتبار(پول) به منظور رهايي از ركورد اقتصادي نيز كنترل مي‌شود.
اگر بخواهيم در اصلاح پايداري قيمت‌ها و اعتماد به پول رايج خاصي موفق باشيم بايد ارتباط آن را با طلا تقويت كنيم.
تحت شرايط ثابت از نرخ مبادلات پولي، حتي با رشد اقتصادي بسيار سريع، موازنه مالي جهان وقتي قابل حصول است كه افزايش كل ذخاير پولي بين المللي منطبق بر افزايش توليد طلا باشد نه منطبق بر افزايش يك نوع ذخيره پولي خاص مانند دلار.
به رغم مشكلات موجود در تخمين حوادث سياسي كوتاه مدت در جهان و اثرات آن در قيمت و توليد طلا در بازار آزاد، مي‌توان طلا را به عنوان يك شاخص حساس نسبت به شرايط ملي و بين‌المللي معين از قبيل تورم و يا جنگ معرفي كرد.
با توجه به تئوری‌‌های سنّتی اقتصاد، یکی از ویژگی‌های یک رژیم تغییر پذیر مثل نظام پولی طلای کلاسیکی که حدود سال 1880 تا وقوع جنگ جهانی اول حاکم بود، وجود مجموعه ای از نیروهای بازاری خود به خود تنظیم شونده ای است که باعث ثبات بلند مدت سطح قیمت ها می‌شوند. سازوکاری که این نیروها توسط آن فعالیّت می‌کنند معمولاً توسط تئوری کلاسیکی کالایی پول توصیف میشود (بوردو 1984). با توجه به تئوری مذکور، تغییرات تولید طلا در نهایت هر حرکت تورمی یا ضد تورمی سطح قیمت را خنثی خواهد کرد. به هر حال مسئله این است که شوک‌های غیر منتظره عرضه یا تقاضای طلا می‌توانند اثرات کوتاه مدت قابل توجهی بر سطح قیمت و محصول واقعی در مواجهه با انعطاف ناپذیری‌های اسمی داشته باشند.
در یک رژیم بین المللی تغییر پذیر، تثبیت ارزش پول رایج كشورها به قیمت ثابت طلا، تکیه گاه اسمی پایداری برای سیستم پولی بین المللی فراهم میکند. گذشته از این، تبعیت از رژیم بین المللی تغییر پذیر به معنای فقدان استقلال پولی و مالی است، چون تحت چنین رژیمی الزام نخست حفظ قابلیت تبدیل پول‌های رایج به فلز قیمتی و نه تثبیت اقتصاد داخلی است (برگمن 1998). فلز طلا به عنوان يك سرمايه ملي و پشتوانه اقتصادي كشور مطرح مي‌باشد، بنابراين اطلاع رساني در مورد آمار قيمت، توليد، ذخيره و... اين فلز گرانبها در ايران در مقايسه با ديگر كشورها، براي برنامه‌ريزي بهتر در جهت استخراج و استفاده از آن مفيد و حتي ضروري مي‌باشد.
1-2-هدف پایان نامه
1 -ساخت بانک داده برای محققانی که در آینده قصد ادامه فعالیت دراین زمینه را دارند.دادههای مورد استفاده برای تورم و دلار و شاخص کل از سایت بانک مرکزی،دادههای مربوط به قیمت نفت و طلای جهانی از سایت forexو دادههای مربوط به طلای ایران از زرگری ها تهیه میشود.
2- با توجه به عوامل تاثیرگذار در قیمت ها که ساختار محلی دارند،بررسی روشهای قبلی در پیش بینی قیمت طلا.
3-شناخت عوامل موثر در قیمت طلای ایران.
4-ارائه مدل‌هایی که با دقت بالا در داخل کشور با توجه به عوامل تاثیر گذار،برای پیش بینی قیمت طلا استفاده می‌شوند.
5-هدف ساخت مدلی است که با دقت بالا بتواند پیش بینی کند،بنابراین ما از روشهای مختلف همانند رگرسیون و الگوریتم‌های شبکه عصبی بهره خواهیم برد.در ضمن با بررسی روشهای پیش پردازش مثل انتخاب خصیصه مهم را در این راستا خواهیم داشت.
1-3- مراحل انجام تحقیق
دراین تحقیق،برای پیش بینی قیمت طلا،همه‌ی عوامل موثر بر پیش بینی قیمت طلا از سال 88 تا اواخر سال 92 گردآوری و مشخصه ها در55 فیلد مورد بررسی قرار می‌گیرند. آنالیزهای اولیه روی دادههای اولیه انجام شده و روی داده ها عملیات مرتب سازی و پاکسازی اعمال شده و سپس الگوریتم‌های متداول در شناسایی مشخصه‌های مهم و مدلهای پیش بینی مورد یررسی قرار گرفته و در نهایت بازنگری و ارائه راهکار مناسب مورد مطالعه قرار می‌گیرد.
1-4 - ساختار پايان نامه
اين پايان نامه در پنج فصل تنظيم شده است. در فصل اول مقدمه، ضرورت، اهميت و اهداف پیش بینی قیمت طلا، هدف پايان نامه و مراحل انجام تحقيق بيان گرديد. فصل دوم شامل ادبيات موضوع و مباني نظري در زمينه پیش بینی قیمت طلا مي پردازد و مزايا و معايب روشهای موجود بررسي مي گردد. در فصل سوم،عوامل موثر بر پیش بینی قیمت طلا مورد بررسی قرار می‌گیرد.در فصل چهارم، راهكار پيشنهادي ارائه شده و مراحل مربوط به آن به تفضيل بيان مي گردد. فصل پنجم، حاوي جمع بندي مطالب مطرح شده، نتيجه گيري و پيشنهاداتي براي پژوهشهای آينده مي باشد. منابع مورد استفاده در اين پايان نامه نيز در يك فصل جداگانه در انتهاي پايان نامه قرار دارند.
3-بررسی عوامل موثر بر پیش بینی قیمت طلا
3-1-مقدمه
در این فصل، کلیه عوامل موثر بر پیش بینی قیمت طلای ایران مورد بررسی قرار گرفته و نقش هر کدام از عوامل موثر بر کاهش یا افزایش قیمت طلا مورد مطالعه قرار می‌گیرد.
3-2- مجموع عوامل تاثیر گذار بر قیمت طلا
مجموعه عومل تاثیر گذار بر قمت طلا در این فصل به صورت کلی عبارتند از: شاخص بهای مصرف کننده (CPI)، SPDR، تعهدات باز، هرج و مرج و جنگ در کشورهای تولید کننده نفت، شاخص دلار آمریکا، فروش رسمی، تولید ناخالص داخلی ایالت متحده، تولید ناخالص داخلی حوزه اروپا، ذخائر نفت ایالت متحده، نرخ مبادله دلار /یورو، هزینه مصرف خصوصی، هزینه مصرفی دولت و سرمایه ناخالص، صادرات کالا و خدمات، واردات کالا و خدمات، افزایش هزینهی نیروی کار، افزایش تقاضای طلای هند و چین، بحران‌های اقتصادی آمریکا و بدتر شدن وضعیت اقتصادی جهان، تورم ناشی از به‌کارگیری سیاست‌های انبساطی پولی بانکهای مرکزی، بحران بدهی دولت آمریکا و کشورهای منطقه‌ی یورو و ژاپن، ورود بانک مرکزی کشورها به بازار طلا، کاهش نرخ بهره بانکي، صندوق بين‌المللي پول و فروش طلا، تغییر ارزش دلار نسبت به نرخ سایر ارزها(اندیس دلار)، اعیاد و مناسبت ها، رشد نقدینگی، پایه پولی، تزريق در آمد‌‌های ارزي حاصل از فروش نفت به جامعه، افزايش نقدينگي توسط بانك مركزي، اعتبارات و پرداختهای بانك مركزي و سيستم بانكي، استقراض بيش از حد دولت از بانك مركزي، سياست‌‌های پولي انبساطي، كسري بودجه دولت، شاخص در آمد کل (تپیکس)، قیمت مس، قیمت مسکن.
3-2-1-شاخص بهای مصرف کننده (CPI)
شاخص بهای مصرف کننده ((CPIبه عنوان اندازه گیری از تغییرات متوسط در طول زمان در قیمت‌های پرداخت شده بوسیله‌ی مصرف کنندگان شهری برای یک سبد بازاری از کالاها و خدمات مصرفی مصرف کننده میباشد.(روز بهان 1389)
از آنجایی که عموم این طور تصور می‌کنند که طلا،قادر به حفظ ارزش خودش است و نگه داری آن فاقد ریسک‌های بازار است،فلذا افزایش نرخ تورم عموما محرکی برای سرمایه گذاری در بازار طلا به عنوان یک ضربه گیر در برابر تورم است.
اگر چه سرعت حرکت قیمت طلا یکسان نیست اما قیمت طلا،تمایل به جا به جایی CPI را نشان داده است.از آنجاییکه ارز ایالات متحده و ارز حوزه یورو دو ارز اصلی در بازار جهانی طلا هستند،هم شاخص قیمت مصرف کننده ایالات متحده (USCPI) و هم شاخص قیمت مصرف کننده حوزه یورو (EURO ZONE HICP) در مدل لحاظ شده اند.
لازم به ذکر است که HICPشاخص هماهنگ قیمت‌های مصرف کننده کل اتحادیه اروپا میباشد.در پیش بینی قیمت طلای ایران شاخص قیمت مصرف کننده در ایران نیز محاسبه شده است.
3-2-2-SPDR
در سال‌های گذشته در کشورهای غربی،صندوق‌های سرمایه گذاری پدید آمده اند که تخصصی بر روی طلا کار می‌کنند.گاهی این صندوق ها را EFT (EFT ها فقط بر روی طلا سرمایه گذاری نمی کنند )می نامند.
بزرگترین EFTجهان که بر روی طلا کار میکند صندوق SPDRاست که هم اکنون مالک حدود 1300 تن طلا است.در واقع طلا به عنوان یک نوع بیمه در اکثر صندوق‌های سرمایه گذاری حضور داردو این صندوق ها با خرید و فروش آن سود مناسبی را کسب می‌کنند.
SPDR در زمینه سهام طلا و خدمات اعتباری طلا در سطح بین الملل و عمدتا در شمش طلا سرمایه گذاری میکند.SPDR بزرگترین سرمایه گذار طلا در سطح جهان است و بنابراین خرید سهام طلای SPDRمستقیما به مفهوم افزایش تقاضا و بنابراین افزایش قیمت طلا است.زمانی که قیمت طلا افزایش می‌یابد،سرمایه گذاران زیادی به بازار هجوم می‌برند و خرید بیشتر از SPDRرا موجب می‌شوند.نتیجتا بین SPDR و هردوی جریان افزایش قیمت طلا و انباره قیمت طلا رابطه ای مثبت برقرار است.
3-2-3-تعهدات باز (OPEN INTEREST)
به معنی تعهدات یا قراردادهای نا تمام بوده و مشابه فاکتور قبلی مقدار بیشتر تعهدات باز به معنای تقاضای بیشتر برای طلا است.
(Bhuyan & Chaudhury 2009)
3-2-4-هرج و مرج و جنگ در کشورهای تولید کننده نفت
هرج و مرج سیاسی و جنگ در کشورهای تولید کننده نفت به دلیل استوار نگه داشتن روندهای مثبت بین قیمت نفت خام و قیمت طلا،به عنوان یک فاکتور به مدل اضافه شده است.به طور معمول هر جایی که هرج و مرج یا جنگ باشد و یا حتی اگر در حد حدس و گمان هم که باشد موجب میشود که بسیاری از سرمایه گذاران چه حقیقی و یا حقوقی،ترکیب پرتفوی خود را به نفع افزایش مقدار طلا تغییر دهند.بنابراین انتظار می‌رود که رخداد چنین حوادثی منجر به افزایش قیمت طلا بشود.
افزايش جهاني قيمت نفت ارتباط تنگاتنگي ميان نفت و طلا وجود دارد. زيرا هر دو کالاهاي استراتژيکي هستند که با تحولات اقتصادي دچار تاثير مي‌شوند. از طرفي طلا و نفت هردو کالاهايي تجديد ناپذير هستند که در واقع عرضه اين کالاها محدود به مقدار موجودي آنها در طبيعت است،در مقابل طلا همچون پول داراي ويژگي ذخيره ارزش مي باشد و از نقدپذيري بالايي برخوردار است و افراد به عنوان ذخيره يا سرمايه از آن بهره مي جويند. زماني که قيمت نفت افزايش مي يابد، به دلار بيشتري براي چرخاندن گردونه تجارت نفت نياز خواهد بود. آمريکا اين افزايش قيمت را با چاپ دلار تامين مالي مي کند. افزايش حجم دلار و عرضه آن در بازار بين المللي موجب کاهش ارزش و قدرت خريد دلار مي گردد.
مجموعه عوامل مذکور سبب مي گردد که دولت ها به سمت دارايي هايي از جمله طلا گرايش داشته باشند، براي اينکه طلا از خاصيت حفظ ارزش برخوردار است و افراد مي توانند با ذخيره آن نسبت به نگهداري دلاري که ارزش آن در حال پايين آمدن است، با ريسک کمتري مواجه شوند و در نهايت قيمت طلا افزايش يابد.
3-2-5-شاخص دلار آمریکا
این عامل متوازن کننده افزایش قیمت طلا یا به عبارتی همان شاخصی است که به طور منفی بر افزایش قیمت طلا تاثیر می‌گذارد.این شاخص عملکرد دلار آمریکا را در برابر سبدی از ارزهای خارجی تعیین میکند.به علت این که درحال حاضر بازار جهانی طلا تحت سلطه دلار آمریکا است،نوسانات دلار عموما بر قیمت طلا موثر است.تضعیف دلار موجب افزایش قیمت طلا میشود. علت آن این است که سرمایه گذاران خواهان ریسک کمتر نرخ تبدیل ارز هستند.
کاهش ارزش دلار به نظر اکثر کارشناسان مهمترين عامل افزايش ارزش طلا،اکنون کاهش ارزش دلار است که عوامل ديگر نيز از اين عامل تاثير مي پذيرند. هنگامي که ارزش دلار کاهش پيدا مي‌کند، مقدار زيادي پول از بازار خريد و فروش ارز وارد بازارهاي کالاهايي مي‌شود که در بورس معامله مي‌شوند. در چنين شرايطي، بازار طلا نيز تحت تاثير قرار مي گيرد.
از سوي ديگر تنزل ارزش دلار به کاهش ارزش ذخيره ارزي بانک مرکزي کشورهاي مختلف منجر مي‌شود و آنها براي جبران اين مساله به دنبال افزايش ذخيره طلاي خود مي‌افتند که به رشد چرخش پول در بازار طلا و افزايش قيمت آن مي انجامد. بنابراين هم بانکهای مرکزي و هم سرمايه گذاران در جهت جلوگيري از کاهش دارايي‌‌های خود طلا را بهترين گزينه براي جايگزين کردن دلار مي دانند
بنابراین تنها عامل اصلی جریان خروجی و یا کاهش دهنده قیمت طلا مورد ششم یعنی فروش رسمی طلا از طریق کشورهای مختلف و موسسات مختلف جهانی است.
(wang 2012)
3-2-6-فروش رسمی
هر زمانی که تعدادی از بزرگترین دارندگان طلا،اعلام رسمی خرید و فروش طلا بنمایند،به طور منفی روی تقاضای بازار طلا اثر گذاشته و نهایتا قیمت بازار را کاهش میدهند.
(Klapwijk 2010)
3-2-7-USGDP:تولید ناخالص داخلی ایالت متحده
رشد اقتصادی منجر به مصرف زیادتر نفت و نهایتا افزایش بهای نفت میگردد.این اثر با رابطه مثبت بین دو تولید ناخالص داخلی و افزایش قیمت نفت نشان داده میشود. برای کاهش قیمت نفت تنها عامل،کنترل ذخائر نفت ایالت متحده است.
3-2-8-قیمت مسکن
هر نوع تسهیلاتی که نسبت به ارز و سکه فراهم شود در قیمت مسکن اثر گذار است چرا که اینها همگی لازم و ملزوم یکدیگر هستند. برای ساخت خانه باید پول داد و پول هم از پشتوانه طلا و ارز پیروی میکند.باافزایش قیمت مسکن قیمت طلا هم افزایش پیدا میکند ولی با کاهش قیمت مسکن لزوما قیمت طلا کاهش نمی یابد.و همچنین با کاهش تعداد معاملات در املاک تقاضا برای خرید طلا افزایش پیدا کرده و قیمت آن افزایش پیدا میکند.
(میدانی 1390)
3-2-9-ذخائر نفت ایالت متحده
زمانی که موجودی نفت از سطح قبلی اش کمتر بشود بازار متوجه تنش در عرضه شده و قیمت نفت بالا می‌رود.از این رو عامل موجودی ذخائر نفت،با جریان خروجی کاهش قیمت نفت رابطه مثبت دارد. (Elekdag et al 2010)
3-2-10-نرخ مبادله دلار /یورو
به دلیل این که یورو بخش اعظم شاخص دلار را تشکیل می‌دهد،تغییر در یورو نهایتا روی شاخص دلار اثر می‌گذارد.به طور اخص افزایش نرخ مبادله به معنای افزایش شاخص دلار است و بنابراین رابطه مثبت بین نرخ مبادله یورو و شاخص دلار آمریکا در نظر گرفته میشود.این چنین رابطه ای بین نرخ تورم و نرخ تبادل وجود دارد.با به کارگیری تئوری برابری قدرت خرید مطلق،(تئوری برابری قدرت خرید در شکل مطلق،آن است که یک سبد کالا و خدمات،وقتی بر حسب پول مشترکی قیمت گذاری شود،باید هزینه‌های یکسانی در کشورهای مختلف داشته باشد.آشکار است اگر قانون قیمت واحد برای تمامی کالاها مصداق پیدا کند آنگاه برابری قدرت خرید مطلق نیز مصداق پیدا میکند.)قانون قیمت واحد مابین دو ارز را می‌توان طبق رابطه ریاضی زیر نشان داد:
(USCPI)/ (EURO ZONE HICP)=نرخ تبادل یورودلار
رابطه بالا همبستگی مثبت مابین نرخ تبادل و شاخص قیمت مصرف کننده حوزه یورو را به همان خوبی همبستگی منفی مابین نرخ تبادل و شاخص قیمتی مشتری دلار نشان می‌دهد.
(smail 2009)
تنها متغیر اقتصادی دخیل در حال حاضر شاخص قیمت مصرف کننده CPIاست.داشتن نوسانات خاص خود ایجاب میکند که برای قابلیت پیش بینی بهتر مدل،به عوامل زمینه ای این شاخص هم توجه شود.در هنگام اندازه گیری مقدار تورم،عوامل موثر بر تورم در مدل گنجانده شده است.
اساس تورم،تغییر قیمت ها در سطح زمان است و دو عامل تورم کشش تقاضا و تورم فشار قیمت ها تشکیل دهنده آن هستند.تورم کشش تقاضا از افزایش در تقاضای کل،ناشی از رشد اقتصادی نشات می‌گیرد.به عبارت دیگر مابین GDPو افزایش CPIرابطه مثبت وجود دارد.یکی از روشهای متداول محاسبه GDPرویکرد مصرفی است که مصرف گروه‌های مختلف اقتصاد را در بر می‌گیرد.
3-2-11هزینه مصرف خصوصی
مصرف نهایی خانوار هزینهی مصرف کالاهاو خدمات توسط خانوارهای مقیم است اعم از این‌که در داخل قلمرو اقتصادی یا درخارج ازآن صورت گرفته باشد.در مورد کالاها و خدماتی که هزینهی تهیه‌ی آنها، هزینهی مصرف نهایی خانوار محسوب میشود نکات زیر قابل ذکراست:
منزل مسکونی خانوار به‌دلیل این‌که کالایی است که توسط مالک آن برای ارائه‌‌ی خدمات سکونتی به‌کارگرفته میشود، هزینهی تهیه‌ی آن ( خرید، احداث یاایجاد آن ) تشکیل سرمایه‌ی ثابت محسوب شده ودر مصرف نهایی منظور نمی‌شود. ارزش خدمات سکونتی که در مورد خانه‌های اجاری، مبلغ اجاره و درمورد خانه‌های ملکی اجاره‌ی احتسابی است هزینهی مصرف نهایی خانوار محسوب میشود.
هزینهی تهیه‌ی اشیای گرانبها نیز مصرف نهایی نبوده و تشکیل سرمایه‌ی ثابت است. اشیای گرانبها عمدتا شامل کارهای هنری، سنگ‌ها و فلزات گرانبها و جواهرات طراحی شده از این سنگ‌ها و فلزات هستند.
در مصرف نهایی خانوار فقط هزینهی رفع نیازهای شخصی اعضای خانوار و نه هزینه‌های صورت گرفته برای مقاصد شغلی منظور میشود.
براورد ارزش کالاها وخدماتی که خانوار از محل اشتغال اعضای خود و به عنوان جبران خدمات غیرنقدی دریافت میکند در مصرف نهایی منظور میشود.
ارزش احتسابی کالاها و خدمات تولید شده توسط خانوار به‌عنوان یک بنگاه غیرشرکتی که توسط همان خانوار نیز مصرف میشود هزینه مصرف نهایی خانوار تلقی میشود.
ارزش احتسابی خدمات واسطه گری‌های مالی و خدمات بیمه پس از تخصیص FISIM و ستانده‌ی خدمات بیمه به خانوار به‌عنوان مصرف نهایی خانوار محسوب میشود.
ارزش احتسابی خدمات سکونتی خانوارهای مالک منزل مسکونی خود به عنوان مصرف نهایی خانوار منظورمی‌شود.
هزینهی تعمیرات جزئی و نگهداری منازل مسکونی شخصی هزینهی مصرف نهایی منظور نشده و به عنوان مصرف واسطه بخش املاک و مستغلات تلقی میشود.
پرداختهای خانوار برای انواع جواز، گواهینامه، گذرنامه و نظایر آن مصرف نهایی خانوار منظور میشود.
افزایش هزینه مصرف خصوصی،باعث کاهش رشد اقتصاد و موجب افزایش قیمت طلا میشود. (گلدانساز و بقیه 1391).
3-2-12-هزینه مصرفی دولت و سرمایه ناخالص
هزینه‌های عمومی : پرداخت هزینه‌هایی که به منظور بهای کالا و خدماتی که در حدود فعّالیّت دولت انجام میشود و یا عبارتند از بهای کالاها و خدماتی که در حدود فعّالیّت‌های دولت پرداخت میشود. هزینه‌های عمومی از دید ِ اقتصاددانان به ۲ دسته تقسیم میشود : A: هزینه‌های اداری و اجرایی : هزینه‌هایی که برای نگهداری از اموال منقول و غیر منقول و ایجاد تسهیلات لازم برای اجرای عملیات یا نظارت را فراهم می‌آورد را هزینه‌های اداری و اجرایی می‌گویند که انواع مختلفی را در بر می‌گیرد که عبارتند از : ۱- هزینه‌های مربوط به ماموریت، حمل و نقل و ارتباطات. ۲- اجاره که عبارتست از : بهره ای که ازهر نوع زمین، ساختمان، تاسیسات و یا در واقع از دارایی ثابت عاید افراد ذی نفع میشود و پرداخت حق ّ استفاده از داراییهای ثابت تحت عنوان اجاره تفسیر میشود. ۳- خدمات قراردادی عام ّ : مجموع هزینه‌های خدماتی که یک دستگاه اجرایی از بخش خصوصی یا دولتی دیگر، تقاضا میکند؛ این نوع خدمات شامل هزینه‌های نگهداری ساختمان و تاسیسات هزینه‌های تعمیرات، تغییرات جزیی، هزینه‌های پذیرایی، هزینه‌های مطالعاتی و تحقیقاتی میباشد. ۴- هزینه‌های خدمات قراردادی ِخاصّ : هزینه‌های این بخش شامل سوخت حرارتی و برودتی، سوخت وسایل نقلیه‌ی موتوری وسایر موارد مصرف شدنی آنها، هزینهی سوخت ِ ماشین آلات ِ سبک و سنگین و هزینه‌های برق و آب آشامیدنی میباشد. ۵- لوازم و موارد مصرف شدنی : این بخش بیانگر هزینه‌های مربوط به کالاهای مصرفی بی دوام و یا کم دوام است که به سهولت استهلاک پذیرند. هزینه‌های سرّی : با توجه به مادّه‌ی ۵۷ قانون محاسبات عمومی، هزینه‌هایی است که به تشخیص وزیر یا مقامات مُجاز از طرف او و با امضای ذی حساب به عنوان هزینه‌های قطعی منظورمی شود. -B هزینه‌های عمومی اقتصادی : ۱ – هزینه‌های سرمایه ای : هزینه‌هایی که در آینده موجب کسب درآمد میشود و از تجمّع ِ هزینه کالاهای سرمایه ای، واسطه ای و مصرفی ایجاد می‌شوند یا امکانات ِ ایجاد آن بصورت سرمایه ای وسرمایه گذاری ِ ثابت را فراهم می‌آورد که در بودجه‌ی عمومی کلّ کشورمعمولا به صورت وسایل و تجهیزات اداری و طرحهای عمرانی و به صورت داراییهای ثابت ظاهر می‌شوند. ۲- هزینه‌های جاری : در حقیقت هزینه‌هایی هستند که در زمان ِ حال منافعی را ایجاد کنند و دارای منافع مستقیم در بلندمدّت و آینده نیستند و این هزینه ها را هزینه‌های مصرفی نیز قلمداد می‌کنند.
افزایش هزینه مصرفی دولت ،باعث کاهش رشد اقتصاد و موجب افزایش قیمت طلا میشود.
(گلدانسازوبقیه 1391)
3-2-13-صادرات کالا و خدمات
صادرات کالاها و خدمات باعث توسعه اقتصادی کشور ها وتاثیر بسزایی روی تولید ناخالص داخلی دارد. (نائینی 1375)
3-2-14-واردات کالا و خدمات
واردات هم در کشورهای توسعه یافته و هم در کشورهای درحال توسعه موجب جهش رشد اقتصادی شده است. برخی مطالعات نشان میدهند که در بعضی کشورها اثر واردات بر رشد اقتصادی نامشخص است که احتمالا این موضوع به ساختار واردات این کشورها بر میگردد. بنابراین در دنیای مدرن واردات جزو ابزارهای رشد است.
(هادیان و مقدم 1388).
3-2-15-افزایش هزینهی نیروی کار
افزایش هزینه نیروی کار موجب افزایش قیمت نفت میشود و افزایش قیمت موجبافزایش قیمت طلا میشود.
(حسن تاش 1387).
3-2-16-افزایش تقاضای طلای هند و چین
برخي کشورها مانند چين، هند و...،با توجه به کاهش ارزش دلار در بازار جهاني، نسبت به خريد طلا اقدام کرده اند و همين افزايش تقاضا،خود سبب بالارفتن بهاي اين فلز گرانبها در بازار جهاني شده است. هند به تازگي 200 تن طلا وارد کرده که رقم قابل توجهي است. بر اساس گزارش ماه آوریل 2012 شورای جهانی طلا (WGC)، چین با دارا بودن 1054 تن طلا، ششمین دارنده‌ی ذخایر بزرگ طلای جهان محسوب میشود. همچنین واردات طلای هند در سه‌ماهه‌ی دوم سال 2012، به بیش از 267 تن رسیده است که در مقایسه با مدت مشابه سال قبل، بیش از شصت درصد رشد داشته است. بنابراین افزایش تقاضای طلای هند و چین طی سال‌های قبل از 2012 باعث افزایش قیمت طلا در جهان شده است.
تحلیل‌گران اقتصادی معتقدند که روند قیمت فلزات گرانبها، به خصوص طلا، به تحولات اقتصاد کلان بستگی دارد. Govelt 2013))
3-2-17-بحران‌های اقتصادی آمریکا و بدتر شدن وضعیت اقتصادی جهان
با وقوع حادثه‌ی 11 سپتامبر در سال 2001، بحران اقتصادی در آمریکا شروع شد و زمینه‌های بحران مالی 2008 آمریکا فراهم گردید. به دنبال وقوع حادثه‌ی 11 سپتامبر 2001، بازار آمریکا مستعد رکود اقتصادی شد و به علت نااطمینانی به آینده‌ی اقتصاد آمریکا و پیش‌بینی رکود، بازارهای مالی این کشور با پدیده‌ی خروج نقدینگی روبه‌رو شدند. فدرال رزرو (Federal Reserve) برای به حداقل رساندن اثر منفی رکود، سیاست‌های انبساطی پولی را به کار گرفت و در دوره‌ی سه‌ساله (2000 تا 2003)، نرخ بهره را از 5/6 درصد به 1 درصد کاهش داد تا از این طریق، سرمایه‌گذاری را به منظور مقابله با اثرهای منفی رکود حاصل از ترکیدن حباب‌های قیمتی بازار سهام، افزایش دهد؛ اما با ترکیدن حباب قیمتی بازار سهام، بازدهی بازارهای سهام و اوراق قرضه کاهش یافت و باعث خروج نقدینگی از این بخش شد. با ادامه یافتن روند رکودی در اقتصاد آمریکا، بخشی از این نقدینگی وارد بازار فلزات گرانبها شد. این امر باعث افزایش تقاضای طلا در بازار جهانی و افزایش قیمت آن شد. (Krippner 2009)
3-2-18تورم ناشی از به‌کارگیری سیاست‌های انبساطی پولی بانکهای مرکزی
بانک مرکزی آمریکا با افزایش حجم نقدینگی و تزریق آن به نظام مالی، عامل تأثیرگذار دوم بر افزایش قیمت فلزات گرانبها و طلا بوده است. بنابراین سیاست انبساطی پولی و کاهش نرخ بهره در دوره‌ی سال‌های 2009تا 2012 اثر بسیار فراوانی در افزایش تقاضای وام‌های ارزان‌قیمت از سوی اقشار کم‌درآمد داشته و باعث شده است تا نظام مالی در آمریکا از قدرت خلق پول اعتباری خود بیش از پیش استفاده کند؛ به طوری که در روند تحولات اقتصادی بعد از سال‌های 2010، خلق اعتبارات بانکی و به‌کارگیری سیاست‌های انبساطی پولی توسط سیاست‌گذاران پولی و مالی آمریکا، منجر به افزایش سطح قیمت‌ها و ایجاد نااطمینانی در اقتصاد جهانی شد و زمینه را برای فعالیت‌های سوداگری فراهم کرد.
این رشد شدید در قیمت هر انس طلا و در کنار آن، افزایش ناگهانی قیمت دلار در بازار داخلی، باعث افزایش شدید قیمت سکه در ایران نیز شد.
البته علت کاهش قیمت فلزات گرانبها در ایران، علاوه بر ریشه‌های خارجی، ریشه‌ی داخلی نیز دارد؛ زیرا بهبود شرایط اقتصادی و رونق بیشتر بازارهای تولیدی، جایگاه بازار فلزات قیمتی را کساد میکند و دارندگان این گونه فلزات گرانبها، برای خارج کردن اموالشان از این بازار، به صورت گسترده به سمت فروش می‌روند.
بنابراین انتخابات ریاست‌جمهوری در ایران و انتظارات مربوط به بهبود شرایط اقتصادی، در کنار کاهش قیمت جهانی طلا، در کاهش قیمت فلزات گرانبها بی‌تأثیر نبوده و حتی باعث افزایش ارزش پول ملی نیز شده است.(1391طیب نیا).
3-2-19-بحران بدهی دولت آمریکا و کشورهای منطقه‌ی یورو و ژاپن
افزایش بدهی دولت آمریکا و گذشتن از مرز شانزده تریلیون دلار و نگرانی‌هایی که نسبت به کاهش ارزش دلار در دنیا به وجود آمد، در کنار بحران بدهی اروپا (به خصوص کشورهای منطقه‌ی یورو) که با گزارش‌های رتبه‌های اعتباری منفی در یونان و اسپانیا و افزایش نگرانی‌ها در مورد عمق مشکلات بدهی‌ها در منطقه‌ی یورو، باعث افزایش مداوم تقاضای فلزات گرانبها و طلا گردید و باعث شد که بازار فلزات گرانبها به مکانی امن برای داراییهای سرمایه‌گذاران تبدیل شود و قیمت جهانی فلزات گرانبها افزایش یابد. افزایش نگرانی‌های بین‌المللی نسبت به بدهی‌های آمریکا، به عنوان کشوری که دارای بزرگ-ترین اقتصاد در دنیاست که تولید ناخالص داخلی نزدیک به پانزده تریلیون دلار دارد، باعث کاهش ارزش دلار و افزایش تقاضای جهانی نسبت به خرید طلا میشود
( Ahrans 2010).
3-2-20-ورود بانک مرکزی کشورها به بازار طلا
در دوره‌ای که نگرانی‌های بین‌المللی در مورد وضعیت بد اقتصادی در جهان، افزایش بدهی دولتها و نااطمینانی حاصل‌شده از تورم، افزایش می‌یابد، بانکهای مرکزی به خریداران طلا تبدیل شده‌اند. شورای جهانی طلا (WGC) در گزارش سال 2011 خود اعلام کرده است که بانک مرکزی کشورهای مختلف جهان در پنج‌ماهه‌ی نخست سال 2011، معادل 155 تن طلا، به ارزش 18/8 میلیارد دلار، خریداری کرده‌اند که این رقم از کل طلای خریداری‌شده در سال 2010 بیشتر بوده است.
مؤسسه‌ی اچ‌اس‌بی‌سی بر این باور است که ورود بانکهای مرکزی جهان به بازار طلا، عامل مهمی در افزایش قیمت جهانی این فلز گرانبها بوده است.
انتشار گزارش‌های فدرال‌رزرو در مورد بهبود شاخص‌های اقتصادی در آمریکا، عرضه‌ی اوراق مشارکت در بانکها و مؤسسات مالی سرمایه‌گذاری در عرصه‌ی بین‌المللی و گزارش بهبود شرایط اشتغال در آمریکا و کاهش تقاضای واردات طلا به وسیله‌ی هند و چین، از جمله عوامل اصلی کاهش ارزش جهانی طلا به حساب می‌آید.(ایروانی 1391).
3-2- 21-کاهش نرخ بهره بانکي
با کاهش نرخ بهره در کشورهاي غربي و... افراد ديگر تمايلي به سپرده گذاري سرمايه‌‌‌های خود ندارند. بنابراين با کاهش تمايل به نگهداري دلار از آنجا که طلا از ويژگي ثبات ارزش حتي در شرايط جنگ، بحران و تنش‌هاي بين‌المللي برخوردار است، افراد تمايل به خريد آن پيدا مي‌کنند که خود باعث افزايش قيمت طلا مي‌گردد.
(Hilmi Kal ,Arslaner 2013)
3-2-22- صندوق بين‌المللي پول و فروش طلا
تفاوت ميان عرضه طلا از معدن و تقاضا در بازار را معمولا تقاضاي سرمايه گذاري يا شکاف طلايي مي‌نامند. دولت امريکا در سال 1999 ميلادي دولت‌هاي 26 کشور جهان (به غير از چين، روسيه ) را متقاعد کرد که متعهد به فروش طلا از ناحيه ذخاير خود شوند تا اين شکاف پر شود که فروش طلا از طريق صندوق بين‌المللي پول هماهنگ مي‌شد و قيمت طلا را پايين نگه مي‌داشت.تاثيرات قيمت طلا در صندق بين المللي پول اکنون سال هاست که معاملات اين فلز زرين به بورس‌‌های بين المللي کشيده است و در اين بورس ها روزانه دادو ستدهاي متعددي روي آن انجام مي شود. براي مثال مي توان به بورس‌‌های نيويورک، زوريخ، لندن و.... اشاره کرد که لحظه به لحظه قيمت طلا پيگيري مي شود و در نوبت‌‌های مختلف از جمله هنگام گشايش بورس و يا بسته شدن آن قيمت ها اعلام مي شود تا متقاضيان،بورس بازان و علاقه مندان از بهاي واقعي اين فلز قيمتي آگاهي يابند. قراردادهاي سلف خريد و فروش طلا از ابزارهاي معاملاتي با ارزش هستند که توليد کنندگان تجاري و مصرف کنندگان طلا از آنها استفاده مي کنند. مروري به گذشته نشان مي دهد که اولين بار در سال 1945 ميلادي (خاتمه جنگ جهاني دوم) خطوط اصلي نظام جديد پولي بين‌المللي در کنفرانسي به نام "برتن وودز "شکل گرفت که نقش اصلي را به طلا و دلار آمريکا داد و قيمت 35 دلار امريکا براي هر اونس طلا تثبيت شد. همچنين صندوق بين‌المللي پول و بانک جهاني به منظور نظارت بر نظام جديد پولي شکل گرفتند.
در همين راستا قيمت طلا و کليه ارزها ثابت شد. به طوري که هيچ کشوري مجاز نبود بدون مجوز صندوق بين‌المللي پول (آي ام اف ) ارزش پول ملي خود را نسبت به طلا به طور قابل توجهي تغيير دهد و صندوق يادشده اين مجوز را فقط در شرايط اضطراري صادر مي‌کرد.
قيمت طلا از سال 1945 تا 1970 ميلادي يعني به مدت ربع قرن در حد 35 دلار در هر اونس ثابت بود.
اما در زمان رياست جمهوري ريچارد نيکسون (1969-1974 ) دولت امريکا به طور يک جانبه و بدون رعايت اساسنامه صندوق بين‌المللي پول که آن کشور را ملزم مي‌کرد تا رابطه ثابت بين قيمت طلا و دلار را حفظ و از آن حمايت کند، اين رابطه ثابت را قطع کرد.
به عبارت ديگر نسبت ثابت 35 دلار در قبال هر اونس طلا را به سبب مشکلات اقتصادي داخلي از جمله کسري بودجه، کسري بالاي تراز پرداخت ها و...، حفظ نکرد و ارزش طلا و دلار را به دست نوسان‌‌های بازار سپرد و اين پايان نظام مندي بهاي طلا و ارزش دلار بود.
دلارها بي‌پشتوانه شدند، زيرا بانک مرکزي آمريکا (فدرال رزرو )نمي‌توانست در برابر هر 35 دلاري که چاپ مي‌کرد، يک اونس طلا براي پشتوانه نگهداري کند، در حالي که بر اساس مقررات نظام پولي "برتن وودز " چنين الزامي را بر عهده داشت.
از زمان فروپاشي نظام پولي قبلي تاکنون، چون ديگر ضوابطي براي رعايت انضباط مالي توسط کشورها از سوي صندوق بين‌المللي پول وجود ندارد،طلا به عنوان پشتوانه پولي ارزهاي جهان ديگر جايگاهي ندارد، همچنين صندوق بين‌المللي پول ديگر کنترلي بر حجم نقدينگي جهان ندارد و آمريکا نيز به دليل کسري تراز پرداخت ها هر ساله حدود هزار ميليارد دلار به حجم نقدينگي اش مي افزايد و در نهايت بازارهاي مالي، پولي، طلا و بازار کالاها بخصوص نفت در معرض بورس بازي‌ها و سفته بازي‌هاي بين‌المللي قرار گرفته و شاهد بحران‌هاي پي در پي در اين بازارها هستيم.
بديهي است که در اين سال ها نوسان‌‌های بسياري را در بهاي طلا در بازار جهاني شاهد هستيم. به طوري که در دهه 1990 که بانک‌هاي مرکزي تعدادي از کشورهاي جهان به فروش ذخاير طلاي خود دست زدند، سقوط قيمت طلا شدت گرفت. در سال 1999 توافقي بين چند کشور صورت گرفت که بر اساس آن، فروش ذخاير طلا تحت کنترل درآمد و به اين ترتيب بهاي طلا بار ديگر تثبيت شد.
شايد بتوان گفت که کاهش شديد ارزش دلار و افزايش بهاي طلا در بورس‌‌های بين المللي امروز نشان دهند وضعيت پيچيده اقتصادي در جهان است.(سرافراز وافسر 1386).
3-2-23-تغییر ارزش دلار نسبت به نرخ سایر ارزها(اندیس دلار)
با کاهش ارزش دلار نسبت به سایر ارز ها تقاضا برای خرید طلا افزایش یافته و قیمت طلا افزایش می‌یابد.(Deepika et al 2012).
3-2-24-اعیاد و مناسبت ها
کشورهای مسلمان،هندویا چین که بزرگترین مصرف کننده‌های طلا هستند.در اعیاد ومناسبت ها تقاضا برای خرید طلا افزایش پیدا کرده و قیمت آن افزایش پیدا میکند.
3-2-25- رشد نقدینگی
نقدینگی یا به عبارت صحیح تر، حجم پول، مجموع پول و شبه‌پول است.
چون میزان کالا و خدمات در جامعه محدود است، پس باید میزان نقدینگی به اندازه‌ای باشد که با کالا و خدمات برابری کند. اگر میزان نقدینگی افزایش یابد، کالا و خدمات در جامعه کم شده و قیمت‌ها افزایش می‌یابد.کنترل نقدینگی از مهمترین خواسته‌های کشورها است و سیاست‌های گوناگونی را بدین منظور تدوین می‌کنند. برای نمونه افزایش فناوری و تولید درون‌مرزی، که با گردآوری کالای کافی و بسنده، از تورم جلوگیری میکند.رابطه بین پایه پولی، پول و نقدینگی به شرح ذیل میباشد:
پایه پولی× ضریب فزآینده= نقدینگی = پول
پایه پولی (پول پرقدرت) معادل با خالص دارایی ها یا خالص بدهی‌های بانک مرکزی است که در ترازنامه این بانک آورده می‌شو د که شامل:
داراییهای خارجی، اسکناس و مسکوک، بدهی بخش دولتی،شرکتهای دولتی، بدهی بانکها
3-2-25-1-تزريق در آمد‌‌های ارزي حاصل از فروش نفت به جامعه
تزریق درآمدهای ارزی حاصل از فروش نفت به جامعه است که خود افزایش نقدینگی در جامعه محسوب میشود همانطور که سرمایه گذاران محترم اطلاع دارند هر سال ما شاهد افزایش نقدینگی از سوی بانک مرکزی هستیم درآمدهای نفتی نیز اگر خواسته شود که برای جبران کسری بودجه و یا سایر بهانه‌های دیگر دولت وارد چرخه پولی شود، در اصل شاهد افزایش مجدد نقدینگی در هر سال هستیم که خود عاملی است به تشدید افزایش نقدینگی و در نتیجه تورم. یعنی دولت با این رفتار خود به افزایش تورم کمک میکند. بررسی‌های انجام شده حاکی از عدم استفاده بهینه از صندوق ذخیره ارزی ( حاصل از درآمدهای فروش نفت ) است. زیرا زمانی که صندوق ذخیره ارزی شکل گرفت برای اهداف دیگری بوجود آمد اما در حال حاضر شاهد هستیم مقاصد آن تغییر کرده است.
3-2-25-2- افزايش نقدينگي توسط بانك مركزي
دولت قبل از پايان سال از طريق ايجاد نقدينگي تا حدودي كسري بودجه را تامين نموده و نقدينگي را بالا مي برد.
3-2-25-3-اعتبارات و پرداختهای بانك مركزي و سيستم بانكي
اعتبارات و پرداختهای بانك مركزي و سيستم بانكي منجر به افزايش پايه پولي و خلق پول و افزايش نقدينگي مي گردد. طبق برآوردهاي موجود، پرداختهای بانك مركزي و اعتبارات اعطايي آن با ضريب حدود 5/3 به افزايش نقدينگي منجر مي شود.
رعايت برخي موارد در تسهيلات و اعتبارات، ارزيابي طرحهای موجود، اعتبارسنجي مشتريان و جديت بيشتر در وصول مطالبات از مشتريان، از مديران بانك ها اعم از خصوصي يا دولتي خواسته شود و مديريت نظارت بر بانك ها، برنامه ريزي دقيق و جدي تري نسبت به حسن اجراي اين مصوبات بنمايد و ضمانت اجراي كامل و صحيح آنها را، استفاده از ابزارهاي قانوني مربوطه تأمين كند.كاهش نرخ سود بانكي و بالا رفتن تقاضا براي دريافت تسهيلات بانكي علاوه بر افزايش ميزان نقدينگي در بازار، تشديد نرخ تورم را در پي خواهد داشت.بنابر اين با توجه به مطالب فوق كاهش نرخ تسهيلات بانكي، با كاهش نقدينگي و تورم منافات دارد.
3-2-25-4- استقراض بيش از حد دولت از بانك مركزي
ارتباط بودجه دولت و ميزان نقدينگي ناسالم است و استقراض بيش از حد دولت از بانك مركزي در عمل تورم را بر جامعه تحميل مي كند. براي كنترل ميزان تورم فعلي بايد تاثير استقراض دولت از نظام بانكي در منحني عرضه و تقاضاي منابع مالي، متناسب شود.
3-2-25-5- سياست‌‌های پولي انبساطي
سياست‌‌های پولي انبساطي دليل افزايش نقدينگي و نرخ تورم در كشور است.
3-2-25-6- كسري بودجه دولت
مهمترين علت افزايش قيمت ها در ايران كسري بودجه دولت است.وقتي دولت قبل از پايان سال از طريق ايجاد نقدينگي كسري را تامين نموده و نقدينگي را بالا مي برد، طبيعتا بايد منتظر تورم باشد. به نظر مي رسد دليل كسري بودجه ايجاد نقدينگي میباشد بنابراين طبيعي است بعد از ايجاد اين نقدينگي، آثار آن نمايان خواهد شد. (کمیجانی و علی نژاد مهربانی 1391)
3-2-26-شاخص در آمد کل
سرمایه گذاران در بورس از دو محل افزایش قیمت سهام و نیز دریافت سود نقدی،از خرید سهام منتفع می‌شوند.این شاخص در بورس تهران با نام شاخص قیمت و بازده نقدی و با نماد تدپیکس محاسبه و منتشر میشود.
یکی از شاخص‌های بورس اوراق بهادار تهران که در پژوهش حاضر مورد بررسی قرار گرفته است شاخص قیمت کل میباشد ؛بورس تهران از فروردین ماه 1369 اقدام به محاسبه و انتشار شاخص قیمت خود با نام تپیکس (TEPIX) نمود.این شاخص 52 شرکت که در آن زمان کل شرکتهای پذیرفته شده در بورس را شامل می‌شدند،در بر می‌گرفت.این شاخص با استفاده از رابطه 1 محاسبه میگردد.
رابطه( 1)
Pit: قیمت سهام شرکتiام در زمانt
Dit : :عدد پایه در زمان tکه در زمان مبدا برابرسیگمای Pi0 در Qi0 میباشد.
pi0 : قیمت سهام شرکت iام در زمان مبدا.
Qi0:تعداد سهام شرکت iام در زمان t.
Pit:تعداد سهام منتشره شرکت iام در زمان مبدا.
N:تعداد شرکتهای مشمول شاخص.
شاخص قیمت بورس تهران تمامی شرکتهای پذیرفته شده در بورس را در بر می‌گیردو در صورتی که نماد شرکتی بسته باشد یا برای مدتی معامله نشود،قیمت آخرین معامله آن در شاخص لحاظ میگردد. (تهرانی وصادقی شریف 1391)
در تحقیق انجام شده آنها اثبات کردند که بین متغیرهای کلان اقتصادی و tepix رابطه معناداری وجود دارد.آنها دریافتند بین شاخص قیمت بورس اوراق بهادار تهران و تولید ناخالص داخلی وتبیین شاخص قیمت مصرف کننده و قیمت طلا و نرخ برابری ریال به دلار و قیمت جهانی نفت و نقدینگی رابطه معناداری وجود دارد.
3-2-27-قیمت مس
درطلای 18عیار 75 درصد طلا وجود دارد که با یک فلز پایه مثل نیکل یا مس ترکیب شده است.درطلای 14 عیار هم 5/58 طلا وجود دارد. معمولا هرقدر عیار طلا بالاتر باشد، فلز نیز نرم‌تراست. طلای 14 عیار دوام بالاتری نسبت بقیه طلاها دارد زیرا با فلز دیگریترکیب شده که به آن مقاومت می‌بخشد.هر چه قیمت مس بالاتر رود موجب افزایش قیمت طلا شده و هرچه قیمت مس پایین تر رود موجب کاهش قیمت طلا میشود.
Pierdzioch et al 2012) (
3-3-مروری بر تحقیقات انجام شده
در این قسمت بر تحقیقات انجام شده توسط نویسندگان دیگر در پیش بینی قیمت طلا،اشاره کرده وبه مزایا و معایب برخی از آن ها اشاره می‌کنیم.
بسياري از نويسندگان تلاش كردند تا يك مدل پيش بيني توسعه دهند كه ساختار بازار طلا را منعكس كند.( 1997 (otoni & ipschitz در ميان پيشگاماني بودند كه در پيش بيني قيمت طلا کار كردند. آنها يك مدل اقتصادي سه ماهه را توسعه دادند و ادعا كردند كه قيمت طلا را ارائه مي كنند وقتي که سرمايه گذاران منابع اضافي مهبج را جذب مي كنند به طوری كه سهام طلا به طور نسبي به جريان سالانه بستگي دارد.
بسياري از پژوهشگران پيشنهاد دادند كه مدل (ARIMA) يكي از دقيق ترين مدلهای پيش بيني است و در ميان مدلهاي ديگر برنده است.
)1993 (chu مشغول به تكنيك‌‌های تركيبي پيش بيني سري زماني شدند که بتوانند قيمت طلا را پيش بيني كنند. آنها سه روش را به كار بردند (متد EW–VC-OM).
در مقايسهي بین مدلهای پيش بيني تركيبي ماتريس فرد و پيش بيني‌‌های تركيبي و آناليزهاي چند متغيري كه با استفاده از مدلهای ARMA و آناليز دو متغيري با پيش بيني‌‌های تركيبي و آناليزهاي چند متغيري براي پيش بيني مركب، نويسندگان به اين نتيجه رسيدند كه مدلهای پيش بيني مركب بهتر از مدلهای ARMA تك متغيری و مدلهای تابعي انتقالی دو متغير هستند.
(Privat 2007) دو مدل پيش بيني را توسعه داد. رگرسيون چندگانه و مدل ARMA كه در پيش بيني قيمت طلاي تايلند استفاده كرد. او اثبات كرد كه ARMA(1,1,1) يكي از مناسب ترين روش هاست.در حالي كه رگرسيون چندگانه بسياري از فاكتورها را مي دهد كه روي قيمت طلا تأثير مي گذارند همانند (دلار استراليا – ين ژاپن – دلار آمريكا- دلاركانادا – پوند اروپا– قيمت نفت و قيمت طلاي بعدي).
او همچنين ثابت كرد كه استفاده همزمان رگرسيون چندگانه و مدل ARMA دقت پيش بيني را در مدت كوتاهي افزايش مي دهد. ايده اي كه ARMA مي تواند قيمت طلا را پيش بيني كند در بسياري از كشورها پذيرفته شد. براي مثال در استراليا Selranathan پيش بيني قيمت طلاي روزانه لندن را در مركز تحقيقات اقتصادي با مدل ARMA مقايسه و ثابت كرد كه مدل ARMA خيلي هزينه كمتري دارد و به حد كافي در پيش بيني قيمت طلا موثر مي باشد.
نقد و بررسی :مزیت این روش این بود که از مزایای هر دو روش رگرسیون چند گانه و روش سری‌های زمانی استفاده شده بود اما معایب آن نیز این بود که از روشهای شبکه‌های عصبی استفاده نشده بود.
& Dunis 2007) (Nathani قیمت روزانه طلا و نقره را با تحلیل‌های رگرسیون پیشرفته با استفاده از خطی‌های متفاوت ومدلهای غیر خطی پیش بینی کردند. اصلی ترین هدف آنها پیدا کردن مدل کمی پیشرفته با استفاه از خطی‌های متفاوت و مدلهای غیر خطی بود.اصلی ترین هدف آنها پیدا کردن یک استراتژی تجاری کمی روزانه بود. نویسندگان، مدلهای ARMAرا همانند نشان خطی برای اهداف مقایسه ای با مدلهای غیر خطی همانند نزدیکترین همسایه، پرسپترون چند لایه و شبکه‌های عصبی مرتبه بالاتر به کار بردند (MLP). نتایجنشان دادند که مدلهای غیر خطی همانند MLPو HONN مدلهای خیلی بهتری هستند.در واقع نویسندگان تأیید کردند که هنوزمدل‌های غیر خطی در قیمت طلا و می‌توانند به نحو موثری در ایجاد بازده اضافی در آن بازارها استفاده شوند.2009) (Ismail مطرح كرد كه رگرسيون خطي چند گانه MLR براي پيش بيني قيمت آتي طلا بهتر است. مدل MLR بر پايه فاكتورهاي اقتصادي است كه تاثیر گذاردرروی قيمت طلا همانند تورم – جنبش پول رايج و ديگر...، دو مدل در نظر گرفته شدند.اولين مدل، همه متغيرهاي ممكن مستقل را در نظر گرفت و دومين مدل تنها 4 تااز متغيرهاي مستقل در طول پيش بيني رادر نظر گرفت و در نهایت دومين مدل به سطح بالايي از دقت پيش بيني نسبت به مدل اول نائل شد.
نقد و بررسی :در این قسمت از مزایای شبکه‌های عصبی استفاده شده بو د اما تعداد عواملی که نویسنده استفاده کرده بود تنها قیمت طلای روزانه بود.
معمولاً تغييرات بالا و پايين به خوبي محدوده ای از نزديكترين قيمت روزانه در طول يك دوره مي تواند به طور قابل توجهي مشكل پيش بيني را افزايش دهد (Hsu 2011). شبكه‌‌های عصبي مصنوعي به محققان احتمال و ساخت پيش بيني هايي روي قيمت آتي داده ها بر اساس دادههای پيشین موجود پيشنهاد مي دهند. شبکه عصبی پردازهی آموزشی را استفاده مي كنند در مدتی كه شبكه ها بر اساس سري دادههای موجودي آموزش مي بينند. و سپس بر اساس آموزش دادن شبكه هايي كه دريافت كرده است قيمت آتي را تخمين مي زند. ويژگي‌‌های چند شخصيتي شبکه عصبی آنهارا با ارزش و جذاب در پيش بيني ها مي سازد. اولين شبکه های عصبی دادههای مشتق شده غير خطي بودند، آنها قادر به انجام مدلهای غير خطي،بدون دانش قبلي از وابستگي بين متغيرهاي ورودي و خروجي بودند. بنابراين شبکه‌های عصبی معمولاً رايج و دارای ابزارهاي مدل سازي قابل انعطافي براي پيش بيني بودند.مدلهای شبکه عصبی غير پارامتري ممكن است مقدم بر مدلهای آماري پارامتری سنتي در موقيعتهايي باشد كه دادههای ورودي اشتراكي با فرضيات لازم بوسيله مدلهای پارامتري ندارديا زماني كه دادههای پرت زياد دردیتاست ها مشهود هستند. دومين شبکه‌های عصبی، تابعهای تخميني عمومي بودند که هر تابع ادامه داري را به دقت دلخواه و مطلوب مي توانند تخمين بزنند. شبکه عصبی خيلي عمومي بودند و فرمهای تابعي انعطاف پذيري از متدهاي آماری سنتی با مقداری اثرپذیری دارند.
سومین شبکه‌های عصبی می‌توانند بعد از یادگیری از دادههای حاضر به آنها تعمیم داده شوند،شبکه عصبی اغلب می‌توانند به طور صحیحی قسمتی از جمعیتی ندیده را حدس زنند حتی اگر نمونه داده ها شامل اطلاعات خطا دارباشد. پیش بینی به وسیله رفتار آتی پیش بینی (قسمت نادیده) از نمونه رفتارهای گذشته این محیط کاربردی ایده آل برای شبکه‌های عصبی حداقل در اصول و قاعده انجام میشود. این ویژگی‌های بی نظیر شبکه‌های عصبی را برای حل خیلی از مشکلات پیش بینی کاربردی با ارزش می‌سازند.هر زمانی، سری مدلهای پیش بینی فرض می‌کنند که وجود دارد یک پردازه ای اساسی که داده ها تولید می‌شوند و ارزش آتی سری زمانی فقط بوسیله گذشته و مشاهدات جاری تعیین می‌شوند.شبکه‌های عصبی الگوهای اساسی را تسخیر می‌کنند. و یا ساختار همبستگی در داخل سری‌های زمانی حتی زمانی که قانون اساسی حاکم بر سیستم ناشناخته، یا خیلی پیچیده برای توضیح دادن باشد.
(Wilson & Shadra 1994) یک متولوژی طراحی تجربی دقیق نشان دادند تا اثر شبکه‌های عصبی را برای پیش بینی ورشکستگی شرکت ها در مقایسه با آنالیزتفکیک کلاسیک چند متغیره آزمایش کنند. مطالعات نشان دادند که شبکه‌های عصبی به صورت معناداری بهتر از آنالیزهای تفکیک کننده در ورشکستگی شرکت ها هستند.این مشکلات در پیش بینی قصور مشاغل،همچنین بوسیله )1995 (Boritz & Kennedy در نظر گرفته شدند،که شبکه‌های عصبی را بامتد‌هایی همچنین تحلیل ورشکستگی مقایسه کردند.نویسندگان نشان دادند که کارایی شبکه‌های عصبی حساس به انتخاب متغیرهای انتخاب شده است و از این رو تعدادی از تکرارها ممکن است انتخاب شوند تا یک میزان قابل اطمینانی از مدلهای کارا را بدست آورند.
با توجه به خود توانایی بی نظیر برای تخمین زدن تابعهای غیر خطی دلخواه و توانایی آنها برای تقلید از مدلهای رگرسیون کلاسیک،مدلهای شبکه‌های عصبی برای پیش بینی روند آتی طلا آزمایش شدند.استفاده از شبکه‌های عصبی در پیش بینی قیمت طلا شاخص‌های سهام بازار و داراییهای فردی موضوع جدیدی نیست، Chen & Keung ,2005)).بسیاری از محققان تکنیک‌های غیر خطی را استفاده کردند و آنها را با روشهای تحلیل رگرسیون خیلی سنتی مقایسه کردند و به نفع فلزات گران بها در طبیعت رگرسیون غیر خطی رانتیجه گیری کردند.
(Atsalakis et al 2005) برای پیش بینی شاخص‌های تولیدی از1Anfis استفاده و آن را با دیگر متدهای پیش بینی سری زمانی ARMA2 برای روند صحیح پیش بینی مقایسه کردند.در واقع Atsalakis مدلهای پیشنهادی برای پیش بینی روند قیمت سهام روز آتی برای سهام متنوع را بررسی کرد.نتایجات نشان داد که Anfis نتایج خوبی را با استفاده از استراتژی buy &hold ,و دیگر متد ها در طول در صد دقت پیش بینی دارد.
(Zhang & Zhou 2006)استفاده از شبکه‌های عصبی در بازاریابی نسبتاًموضوع جدیدی است،به خاطر توانایی آن در گرفتن رابطه غیر خطی بین متغیرها وبه خاطرکاربردهای متعدد از مدلهای شبکه عصبی در بازاریابی که قابل دسترسی هستند آنها شبکه‌های عصبی را در پیش بینی و حمایت از توضیحات رفتاری به سمت وب و فروشگاه‌های قدیمی استفاده کردند و نتایج را با رگرسیون منطقی مقایسه کردند.
نویسندگان شواهد آماری را که شبکه‌های عصبی به طور معناداری بهتر از مدلهای رگرسیون منطقی برای همه محصولات در طول پیش بینی هستند ارائه دادند.
اخیراً شبکه‌های عصبی به وسیله بسیاری از نویسندگان برای مشکلات ساخت تصمیم گیری برای پیش بینی قیمت‌های نهایی از آیتم‌های حراجی‌های آنلاین استفاده شدند.
( Xuefeng et al 2006) مدل شبکه عصبی پیش انتشار را استفاده کرد و نتایج بدست آمده از رگرسیون چندگانه برای پیش بینی متغیرهای ادامه دار و رگرسیون منطقی در متغیرهای مجزا در پیش بینی قیمت نهایی و آیتم‌های حراجی آنلاین مقایسه کرد.نویسندگان نتیجه گرفتند که برای پیش بینی قیمت نهایی،شبکه‌های عصبی بهتر از متدهای آماری سنتی انجام میدهند و نتایج ممکن، به فروشندگان در بهینه کردن قیمت فروشان در آیتم هایشان وویژگی‌های حراجی شان کمک میکند.
Huang et al 2007) (نشان دادند بسیاری از مطالعات شبکه‌های عصبی را در امور مالی و اقتصادی برای پیش بینی نرخ ارز خارجی شاخص سهام بازار، و رشد اقتصادی استفاده کردند.
نویسندگان نتایج مقایسه را برای پیش بینی کارایی بین شبکه عصبی و دیگر مدل ها پیدا کردند برای این که تفاوت بین داده ها، افق‌های پیش بینی،انواع مدلهای شبکه‌های عصبی و به همین ترتیب....نتایجات، فرضیه ای که کارایی پیش بینی شبکه‌های عصبی نتایج قابل تشویقی را فراهم میکند پشتیبانی کردند.بعضی از محققان شبکه‌های عصبی را با دیگر تکنیک ها همانند الگوریتم ژنتیک، آنالیز موجکی، استنتاج فازی، تشخیصی الگو و مدلهای سری زمانی سنتی برای پیش بینی اقتصادی و مالی به کار بردند.
نقد و بررسی :در این روش نویسندگان از مزیت‌های شبکه‌های عصبی بهره بردند و آن را بادیگر تکنیک ها ترکیب کردند و با انجام دادن مقایسه ما بین روش شبکه‌های عصبی و دیگر روش ها،استفاده از شبکه‌های عصبی را مفید و لازم دانستند.
پیش بینی قیمت سهام یک از کارهای چالش برانگیز در ساخت سیستم‌های سرمایه گذاری و مالی است. از آن جا که شاخص قیمت سهام ذاتا نویز دارد متغیر است.بسیاری از کاربردهای موفقیت آمیز نشان دادند که شبکه‌های عصبی می‌توانند تکنیک مفیدی برای پیش بینی قیمت سهام با توجه به قابلیت آن ها در تسخیر نامحسوس رابطه‌های کاربردی در میان دادههای تجربی کمک کنند حتی اگر رابطه‌های اساسی ناشناخته باشند یا سخت برای توضیح دادن باشند.
Parisi 2008) & Diaz (مدلهای شبکه عصبی بازگشتی و چرخشی را تحلیل کردندتا تغییرات بوجود در قیمت طلارا پیش بینی کنند.نتایج نشان میدهند که شبکه‌های rolling wardاز شبکه‌های بخش بازگشتی تجاوز می‌کنندو شبکه‌های feed forwardدرتغییرات پیش بینی قیمت طلا به کار می‌رود.بعلاوه شبکه‌های rolling ward از مدلهای پشتیبانی ARIMAکه از شبکه‌های عصبی با چهارچوب پویاتجاوز می‌کنند در پیش بینی کنند قیمت طلا. و آنچه که بیشتر، شبکه‌های عصبی در بازار طلا ثابت کردندتوانایی آن ها در برگرداندن وتولید نتایج با دقت خیلی بالا ازمدل‌های رگرسیون عادی بود(Brauner et al 1997).
(Yu et al 2008) نشان دادند که یک مدل تجزیه ای تجربی (EMD) بر اساس اثر کلی نمونه آموزشی، می‌تواند برای متدولوژی بخشی برای پیش بینی قیمت نفت جهانی و طلااستفاده شود.
نقد و بررسی :دراین روش از مزایای مدلEMD استفاده شده بود این روش مزایای بسیاری دارد اما با تعداد عوامل بیشتری قادر به انجام پیش بینی نیست.در این پژوهش روش EMD با دیگر تکنیک ها مقایسه نشده بود و خطای پیش بینی به درستی بیان نشده بود.
Paiwal & Kumar 2009) ( یک بازنگری جامعی از مقالات انجام دادند که شامل مطالعه مقایسه ای از شبکه‌های عصبی Feed forward و تکنیک‌های آماری که برای پیش بینی و کلاس بندی در محیط‌های کاربردی متفاوت استفاده می‌شوند.نویسندگان نتیجه گرفتندکه شبکه‌های عصبی در اکثر موارد بهتر یا حداقل به خوبی مدلهای دیگر هستند. بسیاری از مطالعات از شبکه‌های عصبی استفاده می‌کنند که همچنان هدایت گر برای پیش بینی قیمت نفت ,طلاهستند.
He et al 2009) ( رفتارهای چند مقیاسی از ریسک‌های طلا از میان افق‌های زمانی متفاوت را بررسی و یک مقیاس چندگانه غیر خطی را مطرح کرد. دو تا از تکنیک‌های در حال ظهور شامل تحلیل‌های موجکی و شبکه‌های عصبی مجتمع شده بودند. در یک سیستم مطرح نتایج آزمایشات یک موجک پیشنهادی غیر خطی باارزش در معرض خطر تجزیه (WDNEVar) پیشنهاد داد که با بالاترین قابلیت اطمینان و دقت تخمین می‌زد.
توسعه و کاربرد شبکه‌های عصبی محدود به محیط کاربردی ویژه نمی شود.شبکه‌های عصبی توجه قابل ملاحظه ای از فیلدهای مختلف تحقیق همانند دانش آماری – مهندس – علم کامپیوتر- هوش مصنوعی – مصرف انرژی – تابش خورشیدی – نرخ حرارت انتقالی – حسابرسی و مالی سلامتی و پزشکی – ساخت – بازاریابی – تابش خورشیدی – نرخ حرارت انتقالی – حسابرسی و مالی -سلامتی و پزشکی – ساخت – بازاریابی و دیگر چیزهادریافت می‌کنند. در زمینه‌های اقتصادی و مالی بسیاری از رفتارهای قیمتی حافظه ای دارند و ممکن است با دقت بسیاری،با استفاده از تکنیک‌های دیگر از متدهای آماری خطی سنتی مدل سازی شوند.
بعضی از متدهای غیر خطی در شبکه‌های عصبی ویژه به طور فزاینده ای در امور مالی و اقتصادی به کار برده می‌شوند، زمانی که شبکه‌های عصبی فرمهای تابعی عمومی با متدهای آماری به خوبی توسعه داده شده سر و کار دارند.
کاربردهای دیگر مجتمع کردن بسیار زیادی از متغیرهای گوناگون که دارای همسبتگی زیادی هستند اغلب مفروض برای غیر خطی ها هستند و وابستگی غیر شفاهی دارند و بسیار پیچیده برای توصیف به وسیله مدلهای ریاضی هستند.
(Atsalakis & Valavanis 2009) و بررسی کردند بیش از 100 مقاله منتشر شده مربوط متمرکز بر روی شبکه عصبی و تکنیک‌های فازی عصبی مشتق شده در پیش بینی قیمت سهام بازارها به کار برده شدند.
این تکنیک ها نتایج بهتری را از سیستم‌های تجاری با بالاترین دقت پیش بینی بر می‌گرداند سی زمانی با حافظه کوتاه مدت و انجام میدهند بهتراز دیگر شبکه‌های عصبی قرار دادی در اغلب موارد هستند2010) (LU پیشنهاد داد یک طرح نویزی آنالیزی افرای مستقل مجتمع شده با شبکه‌های عصبی برای پیش بینی قیمت سهام.
نتایج عمومی از این مطالعات این بود که شبکه‌های عصبی متدهای امیداوار کننده ای در زمینه پیش بینی هستند.در این تحقیق پیش بینی با روش ANFIS برای قیمت طلای روز بعدی برای اولین بار آزمایش شد.
(Shafiee & topal 2010) از نسخه‌های اقتصادی اصلاح شده در روندهای طولانی مدت از مدل پرش و شیب انتشار برای پیش بینی قیمت طلا استفاده کردند. نویسندگان دو نوع از خطاهای آماری پیش بینی را همانند(MAE,RMSE) را استفاده کردند تامقایسه کنند صحت پیش بینی ها را با این مدل و مدلهای ARIMAبرای پیش بینی قیمت طلا.این مدل ها از اجزای پرش وشیب همانند پارامترهایی که برای بهبود روی مدلهای ARIMA هستند.
شبکه‌های عصبی با الگوریتم‌های ژنتیک مجهز شده بودند که مزایای شبیه سازی مدلهای غیر خطی را داشتتند، زمانی که یک دانش قبلی کوچکی از ساختار دامنه‌های مشکلات وجود داشت.
مطالعات نشان می‌دهد که این سیستم ها، پیش بینی بهتری را فراهم میکند وقتی با مدلهای اقتصادی سنتی مقایسه می‌شوند.
نقد و بررسی: در این پژوهش از مزایای شبکه‌های عصبی استفاده شده و عوامل موثرتری مورد بررسی قرار گرفته و همچنین ازمقیاس اندازه گیری خطای پیش بینی بهتری استفاده شده است.(Li 2004) و از شبکه‌های عصبی BPبا الگوریتم‌های ژنتیک استفاده کردند تا پیش بینی کنند تغییرات قیمت طلا را و اثبات کردند که یک مدت زمان کوتاهی بستگی به تغییرات قیمت طلا وجود دارد. استفاده کردن از الگوریتم‌های ژنتیک برای پیدا کردن معماری شبکه‌های بهینه به جای متکی بودن به مدل سازی در انتخاب شبکه را به حداقل می‌رساند در پیدا کردن راه حل‌هایی که واقعاً زیر بهینه هستند. اخیرا(Zhoue et al 2012) یک مدل تجزیه ای تجربی بهبود داده شده ای متا آموزش بر اساس نرخ(EMD)، برای پیش بینی قیمت طلا مطرح کردند. نتایج آزمایشات نشان داد که این مدل ها نتایج پیش بینی خوب و زمان اجرا را پیشنهاد می‌کنند.
شبکه‌های عصبی برای پیش بینی و کلاس بندی محیط ها استفاده می‌شوند به جای مدلهای رگرسیون و دیگر تکنیک‌های آماری مرتبط که به طور سنتی استفاده می‌شوند.
بعضی از رایج ترین تکنیک‌های آماری سنتی برای پیش بینی و کلاس بندی به کار برده می‌شوند برای رگرسیون چند گانه، آنالیزهای تفکیک شده و رگرسیون منطقی. این متدها به طور گسترده در کاربردهای متفاوتی استفاده می‌شوند به علت متدلوژیهای مقرر.
با این حال شبکه‌های عصبی همانند دیگر تکنیک‌های سنتی برای بدست آوردن محبوبیت در سال‌های اخیر استفاده می‌شوند واین منجر به تکنیک‌های آماری سنتی مقایسه ای با شبکه‌های عصبی در کاربردهای متفاوت شده است.
(Mingming &Jinliamg 2012) به طور کلی یک شبکه عصبی مکررموجکی چند لایه ساختند (MWRNN) که روند و اجزای تصادفی مدل شبه سازی رااز نفت و قیمت طلا در نظر گرفته بودند.
نتایج شبیه سازی نشان داد که مدل، بالاترین دقت پیش بینی را دارد.(Azade et al 2012) یک الگوریتم انعطاف پذیر بر اساس شبکه‌های عصبی مصنوعی و رگرسیون فازی برای مقابله با مقدار مطلوب برای زمان طولانی پیش بینی قیمت نفت در محیط خطاها، غیر مطمئن و پیچیده نمایش داد. محققان نتیجه گرفته که مدلهای انتخابی شبکه عصبی به طور قابل ملاحظه ای بهتر از مدلهای رگرسیون فازی (FR)هستند. متوسط درصد خطاهای مطلق (MAPE) و الگوریتم‌های شبکه عصبی – FLR قابل انعطاف،همانند چارچوب‌های جامع می‌توانند یک ایده آل متناوب برای پیش بینی قیمت نفت و طلادر اکثر مواردباشند.
(George et al 2013) روش ANFIS با استراتژی Buy &Hold را برای پیش بینی قیمت طلای روز آتی به کار بردند و آن را با روشهای دیگر همانند رگرسیون و اریما مقایسه کردند و به این نتیجه رسیدند که شبکه‌های عصبی-فازی دقت بیشتری در پیش بینی قیمت طلا نسبت به روشهای دیگر دارد.
نقد و بررسی :در این پژوهش از روش شبکه عصبی فازی استفاده شده و همچنین با روشهای سنتی دیگر مورد مقایسه قرار گرفته اما تنها از یک مقیاس اندازه گیری خطا استفاده شده است.
3-4-خلاصه فصل
در این فصل،کلیه عوامل موثر بر روی پیش بینی قیمت طلا،به چهار دسته اجتماعی واقتصادی و سیاسی و فرهنگی طبقه بندی شد و سپس به تشریح هر کدام از عوامل موجود در هر چهار طبقه پرداخته شد و در نهایت، به بررسی تاثیر هر کدام از عوامل که باعث افزایش یا کاهش در روند قیمت طلا میشود مورد بحث قرار گرفت.
فهرست منابع فارسی
ایروانی محمد جواد(1391).نقش آفرینی طلا در چشم انداز پول‌های جهان روا،پژوهشنامه بازرگانی،شماره 12،صفحات 7-15.
تقوی مهدی و عراقی مریم(1392).تاثیر واردات کالاهای سرمایه ای،واسطه ای و مصرفی بر رشد اقتصادی،مجله اقتصادی،شماره 3و4،صفحات 76-65.
جلالی نائینی،رضازاده محمدی (1375).صادرات و رشد اقتصادی.پژوهشنامه بازرگانی،شماره 1،صفحات 6-36.
حسن تاش،سید غلامحسین( 1387).بررسی عوامل تاثیرگذار بر بازار و قیمت جهانی نفت خام، متن سخنرانی در کمیسیون اقتصاد کلان مجمع تشخیص مصلحت نظام(مرکز تحقیقات استراتژیک).
طاهری حامد و صفاری میلاد (1390).بررسی رابطه بین نرخ ارز و شاخص قیمت بورس با استفاده از رویکرد ARDL،فصلنامه روند پژوهشهای اقتصادی،سال نوزدهم،شماره 60،صفحات 63-80.
طیب نیا،علی(1391).پویش ترم در اقتصاد ایران.متن سخنرانی در کمیسیون اقتصاد کلان مجمع تشخیص مصلحت نظام.
علی نژاد مهربانی فرهاد و کمیجانی اکبر(1391).ارزیابی اثربخشی کانال‌های انتقال پولی بر تولید و تورم و تحلیل اهمیت نسبی آنها در اقتصاد ایران،فصلنامه علمی-پژوهشی،سال هفدهم شماره 2.
گلدانسازسيداحمد و عزيزي مهشيد و كلانتري سيداحمدرضا (1391).تحليل عوامل موثر در اقتصاد و نقش آنها بر توسعه اقتصادي ايران، همايش ملي فرهنگ سازي اصلاح رفتارهاي اقتصادي در ايران امروز.
محنت فر یوسف(1392).ارزیابی ارتباط نرخ تورم و شکاف تولید در ایران،فصلنامه سیاست‌های مالی و اقتصادی،سال اول،شماره 3،صفحات 116-97.
ناجی میدانی علی اکبر و فلاح محمد علی و ذبیحی مریم(1390). بررسی تأثیر پویای نوسانات قیمت مسکن در عوامل کلان اقتصادی ایران،دانش و توسعه،شمارا 18،صفحات 25-47.
نیرومند حسینعلی، بزرگ نیا ابولقاسم(1390)."The Analysis Of Time Series An Introduction" C.Chatfield مقدمه‌ای بر تحلیل سری‌های زمانی / تالیف سی چتفیلد؛. (انتشارات دانشگاه مشهد؛ 132 ISBN 964-5782-88-0).
هادیان،الهام مقدم(1388).بررسی تاثیر واردات بر رشد اقتصادی در ایران،پایان نامه کارشناسی ارشد،دانشگاه شیراز،دانشکده اقتصاد و علوم اجتماعی.
هژبر کیانی،ک و حسنوند (1390).بررسی رشد صادرات و رشد اقتصادی،پژوهشنامه بازرگانی،شماره 7،صفحات 24-1.
فهرست منابع انگلیسی
Azadeh, A., Moghaddam, M., Khakzad, M. and Ebrahimipour, V. (2012) ‘A flexible neural network-fuzzy mathematical programming algorithm for improvement of Gold price estimation and forecasting’, Computers & Industrial Engineering, Vol. 62, pp.421–430.
Atsalakis, G., Ucenic, C. and Skiadas, C. (2005) ‘Time series prediction of the Greek
manufacturing index for the non-metallic minerals sector using a neuro-fuzzy approach (ANFIS)’ International Symposium on Applied Stochastic Models and Data Analysis, France, Brest, pp.1369.
Atsalakis, G. and Valavanis, K. (2009) ‘Forecasting stock market short-term trends using a neurofuzzy based methodology’, Journal of Expert Systems with Applications, Vol. 36 No. 7, pp.10696–10707.
Bogner, Stephan. (2003). "Gold vs. US Dollar".
[online].
.[12 Feb 2013]
Bolton & R.J. & Hand D.J. (2002), ‘Statistical fraud detection: a review’, Statistical Science, vol. 17, no.3, pp.235-55.
Boritz, J.E. and Kennedy, D.B. (1995) ‘Effectiveness of neural network types for prediction of business failure’, Expert Systems with Applications, Vol. 9, No. 4, pp.503–512
Brauner, E., Dayhoff, J. and Sun, X. (1997) Commodity Trading Using Neural Networks: Models for the Gold Market, Institute for Systems Research Technical Reports, vol. 17, no.3, pp.235-55..
Chang, P.C., Wang, D.D.and Zhou, C.L. (2012) ‘A novel model by evolving partially connected neural network for stock price trend forecasting’, Expert Systems with Applications, Vol. 39, pp.611–620
Chen, A. and Leung, M.T. (2005) ‘Performance evaluation of neural network architectures: the case of predicting foreign exchange correlations’, Journal of Forecasting, Vol. 24, No. 6, pp.403–420.
Chiang, W.K., Zhang, D. and Zhou, L. (2006) ‘Predicting and explaining patronage behavior toward web and traditional stores using neural networks: A comparative analysis with logistic regression’, Decision Support Systems, Vol. 41, pp.514–531.
Clementine 12.0 Specifications(2007), ‘ CRISP DM Help Overview”,
[online].. [14 Sep 2013]
Dunis, C.L. and Nathani, A. (2007) ‘Quantitative trading of gold and silver using nonlinear models’, Neural Network World, Vol. 16, No. 2/7, pp.93–111.
George S. Atsalakis and Constantinos Zopounidis’Gold price forecasting with a neuro-fuzzy-based inference system’Int J. Financial Engineering and Risk Management, Vol. 1, No. 1, pp. 35–54.
Govelt, M.H., Govelt GJS (2013), 'Gold Demand and Supply' , Journal of Multinational Financial Management, Vol. 18, No. 5, pp.477–487
Greta R. Krippner (2009) ,’Socio - Economic Review’, Journal of Economics and Business, Vol. 64, pp.275–286.
Gupta, G.K. (2006) “Introduction to Data Mining with case studies”. Prentice Hall of India, New Delhi Vol. 39, pp.611–620
Han J. and Kamber K.(2010) ,’Data Mining Concepts and Thechniques’, san Francisco: Morgan Kaufman Publications, inc.
He, K., Xie, C., Chen, S. and Lai, K.K. (2009) ‘Estimating VaR incrude oil market: a novel multiscale non-linear ensemble approach incorporating wavelet analysis and neural network’, Neuro Computing, Vol. 72, pp.3428–3438.
Huang, W., Lai, K.K., Nakamori, Y., Wang, S.Y. and Yu, L. (2007) ‘Neural networks in finance and economics forecasting’, International Journal of Information Technology & Decision Making, Vol. 6, No. 1, pp.113–140.
Hsu, C.M. (2011) ‘A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming’, Expert Systems with Applications, Vol. 38, pp.14026–14036.
Ismail, Z., Yahya, A. and Shabri, A. (2009) ‘Forecasting gold prices using multiple liner regression method’, American Journal of Applied Sciences, Vol. 6, No. 8, pp.1509–1514.
Jiawei han (2006), “Data Mining: Concepts and techniques”, Second Edition, Morgan Kaufman Publications Vol. 18, pp.601–609,.
Khaemasunun, P. (2007) Forecasting Thai Gold Prices, College of Innovation, Thammasat University, Thailand, Vol. 23, pp.96–103.
Kul Kavani R.V. and Devale A.B., (2012), “A Review of Data Mining Techniques in”,vol.1, no.2, pp. 150-156.
Sarfaraz,l and Afsar,A,( 2005)'A study on the factors affecting gold price and a neuro-fuzzy model of forcast ‘MPRA Paper No. 2855, posted 21.
Lin ,K and Yeh, C. (2012), “ Use of Data Mining Techniques “, International Journal of Engineering and Technology Innovation, vol. 2, no. 2, pp. 42-53.
Liu ,J, Chen C. (2012), “Efficient Evolutionary Data Mining Algorithms Applied to the Insurance Fraud Prediction”, International Journal of Machine Learning and Computing, Vol. 2, No.3, pp. 308-313.
Lu, C.J. (2010) ‘Integrating independent component analysis-based denoising scheme with neural network for stock price prediction’, Expert Systems with Applications, Vol. 37, pp.7056–7064.
McCann, P. and Kalman, B. (1994)A Neural Network Model for the Gold Market, Washington University in St. Louis, part of the Philosophy Neuroscience and Psychological Technical Report Series.
Michalski, Rs, Bratko, I & Kubat, M(1998),’Machine Learning and Data Mining Methods and applications’, John Wiley & Sous Ltd..,1st ed.
Mingming, T. and Jinliang, Z. (2012) ‘A multiple adaptive wavelet recurrent neural network model to analyze gold prices’, Journal of Economics and Business, Vol. 64, pp.275–286.
Mirmirani, S. and Li, H.C. (2004) ‘Gold price, neural networks and genetic algorithm’, Computational Economics, Vol. 23, pp.193–200
Mui, H.W. and Chu, C.W. (1993) ‘Forecasting the spot price of gold: combined forecast approaches versus a composite forecast approach’, Journal of Applied Statisticals, Vol. 20, No. 1, pp.13–23.
Osmar, R.zaïane(1999), ‘Principles of Knowledge Discovery in Databases’, University of Alberta, Vol. 39, pp.611–620.
Paliwal, M. and Kumar, U.A. (2009) ‘Neural networks and statistical techniques: a review of applications’, Expert Systems with Applications, Vol. 36, No. 1, pp.2–17.
Parisi, A., Parisi, F. and Diaz, D. (2008) ‘Forecasting gold price changes: rolling and recursive neural network models’, Journal of Multinational Financial Management, Vol. 18, No. 5, pp.477–487.
Patil S.P., Patil U.M. and Borse S.(2012), “ The Novel Approach For Improving apriority Algorithms For Mining Association Rule”, Word Journal of Science and Technology,Proceeding of International Conference on Emergency Trends in Computer Technology(n CETCT-2012),held at R.C. Patel institute of technology, shirpur, Dist. Dhule,Maharashtra, india,vol. 2, Issue 3, pp. 75-78.
Philip ,K.(2010),’ Official Gold Sales and the Central Bank Gold Agreementicy’, Journal of Economics and Business ,Vol. 35, No. 3, pp.178–189.
Pradhan R. , Pathak K.K. and Singh V.P. (2011), “Application of Neural Network in Prediction of Financial Viability”, International Journal of Soft Computing and Engineering (IJSCE), ISSN:2231-2307, Volume-1, Issue-2, May 2011.
Rafiqul ,B and Mo C. (2009), ‘Trading on the Information Content of Open Interest’,Journal of International Economics Vol. 37, pp.7056–7064.
Rama mohan Y.,Vasantharao K., Chakravarti C.K. , Ratnawi A.S.K.(2012), “ A Study of Data Mining Tools in Knowledge Discovery Process”, International Journal of Soft Computing and Engineering(IJSCE), Volume-2, Issue-3,July 2012.
Rijsberjen, C. J. Van. "Information Economical". London: Butterworths. 1976. 17 Aug 1999.Washington Post[Online]<" www.usagold.com”>. [November 2013].
S. A. Elekdag, R. Lalonde, D. Laxton, D. Muir and P. Pesenti,(2010), "Oil price movements and the global economy: a model-based assessment," , Journal of Economics and Business, Vol. 64, pp.275–286.
NBER Working Paper No.
Shafiee, S. and Topal, E. (2010) ‘An overview of global gold market and gold price forecasting’, Resources Policy, Vol. 35, No. 3, pp.178–189.
Sirikulvadhana, Supatcharee(2003), “Data Mining as a Financial Auditing Tool”, M.Sc. Thesis in Accounting Swedish School of Economics and Business Administration ,vol 18,pp.163-175.
Tsibouris, G. and Zeidenberg, M. (1995) ‘Testing the efficient markets hypothesis with gradient descent algorithms’, in Refenes, A.P. (Ed.): Neural Networks in the Capital Markets, pp.127–136.
.
Shiraz University
Faculty of e-Learning
M.S.Thesis
In Information Technology Engineering (e-Commerce)
FINDING IMPORTANT FACTORS EFFECTING THE GOLD PRICE AND BUILDING THE PREDICTOR MODEL USING DATA MINING TECHNIQUES
By
MINOO DELJAVAN ANVARY
Supervised by
Dr. A. Sami
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
