کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5104231 | 1480751 | 2017 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Forecasting copper prices by decision tree learning
ترجمه فارسی عنوان
پیش بینی قیمت های مس توسط یادگیری درخت تصمیم گیری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
فراگیری ماشین، پیش بینی قیمت مس. درخت تصمیم گیری، همبستگی، پیش بینی،
ترجمه چکیده
پیش بینی قیمت فلزات در بسیاری از جنبه های اقتصادی مهم است. قیمت فلز نیز متغیرهای حیاتی در مدل های مالی برای ارزیابی درآمد است که پایه ریزی سیستم پرداخت موثر با استفاده از سیاست گذاران منابع است. در این مقاله، با استفاده از یک الگوریتم یادگیری ماشین بر اساس درخت تصمیم گیری برای پیش بینی قیمت های مس آینده. ما نشان دادیم که روش ما قادر است به طور دقیق و قابل اعتماد پیش بینی قیمت های مس در هر دو کوتاه مدت (روز) و بلند مدت (سال)، با میانگین درصد مطلق اشتباه زیر 4٪. ما همچنین نشان دادیم که روش فعلی رایگان، پایدار و مستحکم نیست. این روش به راحتی و به راحتی قابل پیشبینی برای قیمت سایر فلزات و سایر کالاها است و ما انتظار داریم که چنین روشی بتواند در گستره وسیعی از زمینه ها مفید باشد.
موضوعات مرتبط
مهندسی و علوم پایه
علوم زمین و سیارات
زمین شناسی اقتصادی
چکیده انگلیسی
Forecasting the prices of metals is important in many aspects of economics. Metal prices are also vital variables in financial models for revenue evaluation, which forms the basis of an effective payment regime using by resource policymakers. In this article, we utilized a machine-learning algorithm based on decision tree to predict future copper prices. We showed that our method is capable of accurately and reliably predicting copper prices in both short-term (days) and long-term (years), with mean absolute percentage errors below 4%. We also demonstrated that the current method is assumption-free, robust, and not prone to human bias. This method is easily and readily applicable to predicting the prices of other metals and other commodities, and we expect that such method could be useful in a broad range of fields.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Resources Policy - Volume 52, June 2017, Pages 427-434
Journal: Resources Policy - Volume 52, June 2017, Pages 427-434
نویسندگان
Chang Liu, Zhenhua Hu, Yan Li, Shaojun Liu,