صفحه محصول - فصل دوم پایان نامه پیش بینی قیمت طلا با داده کاوی

فصل دوم پایان نامه 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. فصل دوم 2- ادبيات موضوع و مباني نظري تحقيق 2-1-مقدمه هدف اين فصل آشنايي با داده كاوي، فراگيري ماشين، فرايند داده كاوي ابزارها و تكنيك‌‌های داده كاوي روشهاي داده كاري و بررسي پژوهشي كارهاي انجام شده در زمينه پیش بینی قیمت طلا است. 2-2-رويكرد ماشين و داده كاوي عصر حاضر،عصر انفجاراطلاعات است. اطلاعات فراواني در قالب پايگاه‌‌های داده ذخيره شده است كه تبديل آن ها به دانش با استفاده از ابزارهاي جديد و فرآيند تحليل، تفسیر داده ها و نتيجه گيري را تسهيل مي نمايد به منظور تسهیل فرآيندتصمیم گیری، سیستم ها بايد به دانش لازم و قابليت تصميم گيري براساس داده ها تجهيز شوند جهت دستيابي به اين هدف محققان به ارائه ايده‌‌های جديد از فراگيري ماشين پرداخته اند، با توجه به اين ايده ها وظيفه فراگيري ماشين، تبديل داده ها (ورودي) به دانش (خروجي) خواهد بود. همچنين براساس اين ايده ها ضرورت پيدايش يك حوزه تحقیقاتی جديد كه داده كاوي نام گرفته به وجود آمده است. (Michalski et al 1998). به عنوان يك ابزار تحليل داده و اهداف داده كاوي براي آشكار كردن روندها يا الگوهایي كه تاكنون ناشناخته بودند يا بنا كردن روابطي در مجموعه‌‌های داده بزرگ براي كمك به تصميم گيرندگان براي گرفتن تصميمات بهتر است كه اين هدف را به وسيله به كارگيري روش‌‌های آماري همچون تحليل لجستيك و خوشه بندي و همچنين با استفاده از روش‌های تحليل داده به دست آمده از رشته‌‌های ديگر همچون شبكه‌‌های عصبي در هوش مصنوعي و درختان تصميم در يادگيري ماشين انجام مي دهند.(Kotl &Gervaise 2008) داده و اطلاعات يا دانش، يك نقش قابل توجه در فعاليت‌‌های انسان دارد. داده كاوي فرايند كشف دانش توسط تحليل حجم عظيمي از داده از منابع مختلف و تبديل آن به اطلاعات مفيد است به علت اهميت استخراج دانش و اطلاعات از پايگاه داده‌‌های عظيم داده كاوي يك مولفه اساسي در زمينه‌‌های گوناگون زندگي بشر شامل كسب و كار تحصيلات، پزشكي، علم و... شده است. كشف دانش در پايگاه داده ها اغلب داده كاوي ناميده مي شوند كه به هدف كشف اطلاعات مفيد از مجموعه‌‌های داده است. برنامه‌‌های كاربردي داده كاوي مختلفي به طور موفقيت آميز در حوزه‌‌های مختلفي همچون خدمات درماني، امور مالي، خرده فروشي، كشف تقلب، و تحليل ريسك و.... پياده سازي شده است.(Goel et al 2012). به اين علت كه ابزارهاي داده كاوي روندها و رفتارهاي آينده را توسط رصد پايگاه داده ها براي الگوهاي نهان پيش بيني مي كنند باعث مي شوند كه سازمان ها تصميمات مبتني بر دانش و فعالانه بگيرند و به سوالاتي كه پيش از اين حل آن ها بسيار زمان بر بود پاسخ دهند. (Ramamohan et al 2012). داده كاوي يك ابزار مفيد براي كاوش دانش از داده‌‌های حجيم است روش ها و الگوهاي متفاوت در دسترس در داده كاوي هستند. (Patic et al 2012). داده كاوي يافتن اطلاعات با معاني خاص از يك تعداد زيادي از داده به وسيله بعضي از فناوري ها به عنوان رويه اي براي كشف دانش از پايگاه داده است. كه گام‌‌های آن شامل موارد زير است : .(Han & kumber 2001). 1- پاكسازي داده ها : حذف داده نويز و ناسازگار 2- يك پارچه سازي داده : تركيب منابع داده ي گوناگون 3- انتخاب داده :يافتن داده مرتبط با موضوع از پايگاه داده 4- تبديل داده : تبدیل داده به شكل مناسب براي كاوش 5- داده كاوي : استخراج مدل‌‌های داده با بهره گيري از تكنولوژي 6- ارزيابي الگو : ارزيابي مدل هایي كه واقعاً براي ارائه دانش مفيد هستند. 7- ارائه دانش : ارائه دانش بعد از كاوش به كاربران به وسيله استفاده از تكنولوژي همچون ارائه بصري. (Lin &yeh 2012). 2-3-فرايند داده كاوي استانداردهاي مختلفي براي انجام فرايند‌‌های داده كاوي وجود دارد كه معروف ترين استانداردهاي مورد استفاده در اين زمينه استاندارد Crisp-dm مي باشد. 1-تعریف مسئله(Business understanding) تعریف مسئله شامل تعریف هدف مسئله،ارزیابی شرایط فعلی،تعریف اهداف داده کاوی وایجاد یک برنامه زمان بندی پروژه داده کاوی است. 2-تحلیل داده ها(Data Understanding) وقتی که هدف مسئله مشخص شد و برنامه ریزی پروژه انجام گرفت،گام تحلیل داده ها نیازمندی‌های داده ای را مورد مطالعه قرار می‌دهد.این مرحله شامل تهیه مجموعه داده‌های اولیه، توصیف داده ها،کنکاش در داده ها و ارزیابی کیفیت داده ها است.کنکاش داده ها شامل مشاهده‌ی پارامتر‌های آماری،می تواند در پایان این فاز نیز اتفاق بیفتد.مدل‌هایی مثل خوشه بندی (clustering)می تواند در طول این گام به منظور شناسایی الگوها در داده ها انجام گیرد. 3-آماده سازی داده ها (Data Preparation) زمانی که منابع در دسترس داده مشخص شدند،بایستی داده ها از آن انتخاب (Selecting)، پاک (Cleanin) و در قالب مورد نظر ریخته شوند. همچنین کنکاش عمیق تر داده ها نیز در طول این فاز می‌تواند انجام گیرد.به علاوه ممکن است مدلهای دیگری نیز به کار روند تا بتوان الگوها را براساس تعریف مسئله استخراج کرد. 4-مدل سازی(Modeling) ابزار‌های نرم افزاری داده کاوی همچون تصویر سازی (Visualization)و تحلیل خوشه بندی برای تحلیل‌های اولیه مفید هستند.ابزار‌هایی مانند شناسایی قوانین عمومی می‌تواند قوانین همبستگی اولیه را استخراج کند.وقتی که فهم بیشتری از داده ها بوسیله‌ی شناسایی الگو که با توجه به خروجی‌های مدل‌های اولیه حاصل می‌شود،افزایش می‌یابد،مدل‌های تخصصی تر بر حسب نوع داده می‌تواند مورد استفاده قرار بگیرد. در این مرحله تقسیم بندی داده ها به مجموعه داده‌های آموزشی و مجموعه داده‌های آزمون لازم است. 5-ارزیابی(Evaluation) نتایج مدل‌های استفاده شده در مراحل قبلی بایستی در بستر مسئله تعریف شده و اهداف تعریف شده در مراحل اولیه مورد ارزیابی قرار بگیرد.این کار منجر به شناسایی نیازهای بعدی خواهد شد.این نیازها اغلب شامل بازگشت به مراحل قبلی در فرایند CRISP-DMاست.تعریف مسئله در داده کاوی فرایند تکراری با بازگشت به عقب است که در آن نتایج اقدامات مدل سازی مختلف و تکرار آن ها روابط جدید بین داده ها را به کاربر نشان می‌دهد که باعث درک عمیق تر از مسئله برای کاربر خواهد شد. 6- توسعه(Deployment) تكميل يك مدل اغلب هدف نهايي نيست بلكه هدف كشف اطلاعات بيشتر از داده است. اطلاعات از داده ي اصلي نياز خواهد داشت كه بيشتر سازماندهي شود و سپس تبديل شود به فرمي كه بتواند براي مشتري استفاده شود. اين اغلب شامل كاربرد مدل‌‌های عملكردي در فرايند‌‌های تصميم گيري سازمان است. اين فاز مي تواند ساده و در عين حال پيچيده باشد كه بستگي به نيازمندي ها دارد. اغلب اين فاز را مشتري به جاي يك تحليل گر داده انجام مي دهد. براي مشتري مهم است كه اعمال مورد نياز براي استفاده از مدل‌‌های توليد شده را تشخيص دهد. 2-4-ابزارها و تكنيك‌‌های داده كاوي طبق ) (Bolton &howd 2012با توجه به تنوع، حجم و نوع داده ها روش‌‌های آماري زيادي براي پيش بيني قيمت طلا وجود دارد. اين روش ها مي تواند با ناظر يا بدون ناظر باشد. براي انجام فعاليت هایي كه در هر فاز داده كاوي باید انجام شود از ابزارها و تكنيك‌‌های گوناگوني چون الگوريتم‌‌های پايگاه داده تكنيك‌‌های هوش مصنوعي، روش‌‌های آماري، ابزارهاي گرافيك، كامپيوتري و مصور سازي استفاده مي شود. هرچند داده كاوي لزوما به حجم داده زيادي به عنوان ورودي نياز ندارد. ولي امكان دارد در يك فرايند داده كاوي حجم داده زيادي وجود داشته باشد. در اينجاست كه از تكنيك ها و ابزارهاي پايگاه داده مثل نرمال سازی وتشخيص و تصميم به خطا و تبديل داده ها به خصوص در فازهاي شناخت داده و آماده سازي داده ها استفاده مي شود. همچنين تقريبا در اكثر فرايندهاي داده كاوي از مفاهيم روش ها و تكنيك‌‌های آماري مثل روش‌هاي ميانگين گيري (ماهيانه، ساليانه و...) روش‌‌های محاسبه واريانس و انحراف معيار و تكنيك‌‌های محاسبه احتمال بهره برداريهاي فراواني مي شود. يكي ديگر از شاخه‌‌های علمي كه به كمك داده كاوي آمده است هوش مصنوعي مي باشد. مي توان گفت تكنيك‌‌های هوش مصنوعي به طور گسترده اي در فرايند داده كاوي به كار مي رود. به طوري كه بعضي از آمارگران داده كاوي را به عنوان هوش آماري مصنوعي معرفي مي كنند. و قابليت يادگيري بزرگترين فايده هوش مصنوعي است كه به طور گسترده اي در داده كاوي استفاده مي شود. تكنيك‌‌های هوش مصنوعي كه در داده كاوي بسيار زياد مورد استفاده قرار مي گيرند عبارتند از شبكه‌‌های عصبي، روش‌‌های تشخيص الگوي يادگيري ماشين و الگوريتم ژنتيك و نهايتاً تكنيك ها و ابزارهاي گرافيك كامپيوتري و مصور سازي به شدت در داده كاوي به كار گرفته مي شود. و به كمك آنها مي توان داده‌‌های چند بعدي را به گونه اي نمايش داد كه تجزيه و تحليل نتايج براي انسان ها به راحتي امكان پذير باشد. 2-5-روش‌‌های داده كاوي هرچند كه نرم افزارهاي مورد استفاده در داده كاوي به شدت خودكار شده اند اما هنوز نياز به هدايت كاربران در اين نرم افزار ها وجود دارد يكي از اين نيازها روشي است كه در الگوريتم‌‌های داده كاوي مورد استفاده قرار مي گيرد. اين روش ها به 6 دسته كلي تقسيم بندي مي شود كه عبارتند از روش‌‌های توصيف داده ها، روش‌‌های تجزيه و تحليل وابستگي، روش‌‌های دسته بندي و پيش گويي، روش‌‌های خوشه بندي، روش‌‌های تجزيه و تحليل نويز و روش‌‌های تجزيه و تحليل تحول در اين بخش همزمان با تشريح اين روش ها بعضي از الگوريتم‌‌های پر كاربرد مرتبط با اين روش ها نيز بيان شده اند. 2-5-1- روش‌‌های توصيف داده ها هدف اين روش ها ارائه يك توصيف كلي از داده هاست كه معمولا به شكل مختصر ارائه مي شود. هرچند توصيف داده ها يكي از روش‌‌های داده كاوي است ولي معمولا هدف اصلي نيست و اغلب از اين روش ها براي تجزيه و تحليل نيازهاي اوليه و شناخت طبيعت داده ها و پيدا كردن خصوصيات ذاتي داده ها يا براي ارائه نتايج داده كاوي استفاده مي شود.(Sirikulvad 2002). 2-5-2-درخت تصميم از ابزارهاي داده كاوي است كه در رده بندي داده‌‌های كيفي استفاده مي شود در درخت تصميم درخت كلي به وسيله خرد كردن داده ها به گره هایي ساخته مي شود كه مقاديري از متغير ها را در خود جاي مي دهند. با ايجاد درخت تصميم براساس داده‌‌های پيشين كه داده آنها معلوم است مي توان داده‌‌های جديد را دسته بندي كرد. روش درخت تصميم به طور كلي براي دسته بندي استفاده مي شود زيرا يك ساختار سلسله مراتبي ساده براي فهم كاربر و تصميم گيري است. الگوريتم‌‌های داده كاوي گوناگوني براي دسته بندي مبتني بر شبكه‌‌های عصبي مصنوعي، قوانين نزديك ترين همسايگي و دسته بندي بيزين در دسترس است.يكي از ساده ترين تكنيك ها از انواع درخت تصميم مي توان نوعcart – c5 – c4.5 را نام برد.(Potil 2012). 2-5-3-شبكه عصبي روشي بسيار پركاربرد ديگر در پيش گويي نتايج استفاده از شبكه‌‌های عصبي مي باشد. شبكه عصبي مدل داده شده اي است كه بر مبناي عملكرد مغز انسان كار مي كند اساس كار اين شبكه شبيه سازي تعداد زيادي واحد پردازش كوچك است كه با هم در ارتباط هستند. به هر يك از اين واحد ها يك نرون گفته مي شود. نرون ها به صورت لايه لايه قرار دارند در يك شبكه عصبي معمولا سه لايه وجود دارد اولين لايه، لايه ي ورودي دومين لايه ي نهان و سومين لايه، لايه خروجي است. لايه نهان مي تواند متشكل از يك لايه يا بيشتر باشد. اما ما در اين مطالعه معماري سه لايه را اتخاذ كرديم. بعضي از داده ها كه به طور بارز و مشخصي از داده‌‌های ديگر متمايز هستند اصطلاحا به عنوان داده خطا يا پرت شناخته مي شود. كه بايد قبل از ورود به فاز مدلسازي و در فاز آماده سازي داده‌ها برطرف شود. 2-5-4-تشخيص آنومالي يكي از روش‌‌های متداول تجزيه و تحليل نويز تشخيص آنومالي است كه براي شناسايي داده‌‌های دور افتاده با موارد غيرعادي به كار مي رود. برخلاف ساير روش ها كه قواعدي را براي شناسايي موارد غيرعادي به كار مي گرفتند اين روش اطلاعاتي در مورد اينكه رفتار نرمال چگونه است نگهداري مي كنند بنابراين مواردي كه با هيچ يك از الگوهاي شناخته شده همخواني نداشته باشد به عنوان موارد غيرعادي معرفي مي شود(Clementine 2007).. مزيت استفاده از اين روش اين است كه حتي اگر هيچ الگوي شناخته شده اي در داده ها تشويق نشود مي توانيم از موارد آنومالي كشف شده استفاده كنيم. 2-5-5-روش‌های سری زمانی در هر علم، به آمار جمع آوری شده مربوط به متغیری كه قرار است پیش‌بینی شود و در دوره‌های زمانی گذشته موجود است، اصطلاحا سری زمانی می‌گویند. منظور از یك سری زمانی مجموعه‌ای از داده‌های آماری است كه در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری كه این گونه داده‌های آماری را مورد استفاده قرار می‌هد روش‌های تحلیل سری‌های زمانی نامیده می‌شود. یک سری زمانی مجموعه‌ی مشاهداتی ست که بر اساس زمان مرتب شده باشند.( نیرومند 1390). 2-5-6-روش‌های رگرسیون خطی رگرسیون در لغت به معنای بازگشت، به مراحل قبلی در یک مسیر تحول و توسعه است. تحلیل رگرسیون در واقع بدنه اصلی مطالعات اقتصادسنجی را تشکیل می‌دهد و به طور کلی درباره مدلهای رگرسیون و نحوه برآورد آنها بحث می‌کند. تحلیل رگرسیونی یا تحلیل وایازشی فن و تکنیکی آماری برای بررسی و مدل‌سازی ارتباط بین متغیرها است. رگرسیون تقریباً در هر زمینه‌ای از جمله مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیش‌بینی مورد نیاز است. تحلیل رگرسیونی، یکی از پرکاربردترین روشها در بین تکنیک‌های آماری است. (درخشان1385). 2-6-خلاصه فصل در این فصل، انواع روش‌های پیش بینی قیمت طلا، از ديدگاه‌‌های مختلف تعريف گرديد، الزامات و اقدامات مورد نياز براي پياده سازي پیش بینی قیمت طلا وهمچنین اهميت، كاربردها، مراحل و تكنيك‌‌های موثر داده كاوي در اين زمينه بيان گشت. در ادامه با بررسی روش‌های موجود پیش بینی قیمت طلا توسط تکنیک‌های داده کاوی با بررسی عوامل موثر، روشی تکمیل شده و بهبود یافته نسبت به روش‌های معرفی شده، ارائه خواهد شد. 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. . پیوست‌ها سایت مورد نظر برای بدست آوردن مشخصه مورد نظرمشخصه مورد نظرwww.amar.org.irتورم در ایرانwww.usinflationcalculator.com/inflation/historical-inflation-rates/تورم در امریکاwww.investing.com/commodities/copper-historical-dataقیمت مسBoard of Governors of the Federal Reserve Systemقیمت دلارU.S. Department of Energy: Energy InformationAdministration and Organization of the Petroleum Exporting Countriesقیمت نفتwww.tse.irتپیکسwww.cbi.ir/پایه پولیwww.cbi.ir/ضریب فزاینده پولیwww.cbi.ir/میزان تغییر پایه پولیwww.mimt.gov.ir/میزان حجم واردات در ایرانwww.mimt.gov.ir/میزان حجم صادرات ایرانwww.amar.org.ir/Default.aspx?tabid=104هزینه مصرفی دولت و سرمایه ناخالص ایرانwww.amar.org.irشاخص مصرف کننده در ایرانwww.amar.org.ir/Default.aspx?tabid=104هزینه مصرفی خصوصی در ایرانسایت مورد نظر برای بدست آوردن مشخصه مورد نظرمشخصه مورد نظرU.S. Department of Labor: Bureau of Labor Statisticsشاخص مصرف کننده در امریکاWorld Gold Councilمیزان تقاضای چینWorld Gold Councilمیزان تقاضای هندfa.tradingeconomics.com/china/foreign-exchange-reseذخایر ارزی چینBoard of Governors of the Federal Reserve Systemنرخ مبادله یورو/دلارSPDR Gold Sharesتعداد معاملات درSPDRSPDR Gold Sharesمیزان طلای موجود درSPDRSPDR Gold Sharesارزش معاملات در SPDRU.S. Department of Labor: Bureau of Labor Statisticsمیزان حجم صادرات امریکاU.S. Department of Labor: Bureau of Labor Statisticsمیزان واردات امریکاEurostatشاخص مصرف کننده در اروپاترازنامه بانک مرکزیمیزان بدهی دولت به بانک مرکزیU.S. Department of Commerce: Bureau of Economic Analysisهزینه مصرف خصوصی امریکاU.S. Department of Labor: Bureau of Labor Statisticsمیزان بالانس تجاری امریکاسایت مورد نظر برای بدست آوردن مشخصه مورد نظرمشخصه مورد نظرwww.tccim.irدرامدهای ارزی حاصل از فروش نفتU.S. Department of Commerce: Bureau of Economic Analysisهزینه مصرفی دولت و سرمایه ناخالص امریکاwww.nationmaster.com/countryinfo/profiles/Iran/Laborشاخص هزینه‌های کارگری در ایرانU.S. Department of Commerce: Bureau of Economic Analysisمیزان تولید ناخالص داخلی امریکاWorld Gold Councilقیمت طلای 24 عیار درامریکاwww.cbi.ir/page/6252.aspxنرخ سود بانکی چهار سالهwww.cbi.ir/میزان بدهی بخش دولتی به بانک مرکزیwww.cbi.ir/simplelist/2054.aspxتشکیل سرمایه ثابت ناخالص بخش خصوصیwww.usgovernmentspending.com/debt_deficit_historyمیزان بدهکاری امریکاU.S. Department of Labor: Bureau of Labor Statisticsشاخص هزینه‌های کارگری امریکاwww.cbi.irمیزان کسری بودجه دولتwww.amar.org.ir/Default.aspx?tabid=104میزان تولید ناخالص داخلی ایرانسایت مورد نظر برای بدست آوردن مشخصه مورد نظرمشخصه مورد نظرزرگری ایران زرقیمت طلای 18 عیار در ایرانU.S. Department of Commerce: Bureau of Economic Analysisتشکیل سرمایه ثابت ناخالص بخش خصوصی امریکاwww.cbi.ir/page/6252.aspxنرخ سود بانکی سه سالهترازنامه بانک مرکزیمیزان خالص دارایی‌های خارجی بانک مرکزیwww.amar.org.ir/Default.aspx?tabid=104شاخص تشکیل سرمایه ثابت ناخالص بخش خصوصیwww.cbi.ir/page/6252.aspxنرخ سود بانکی یک سالهU.S. Department of Energy: Energy Information Administrationمیزان موجودی نفت امریکااداره ثبت اسناد واملاکمیزان معاملات املاکEurostatمیزان تولید ناخالص داخلی اروپاwww.cbi.ir/page/6252.aspxنرخ سود بانکی پنج سالهسایت مورد نظر برای بدست آوردن مشخصه مورد نظرمشخصه مورد نظرU.S. Department of Commerce: Bureau of Economic Analysisشاخص تشکیل سرمایه ثابت ناخالص بخش خصوصی امریکاwww.cbi.ir/page/6252.aspxنرخ سود بانکی دو سالهترازنامه بانک مرکزیافزایش بدهی بانک ها به بانک مرکزی ABSTRACT FINDING IMPORTANT FACTORS EFFECTING THE GOLD PRICE AND BUILDING THE PREDICTOR MODEL USING DATA MINING TECHNIQUES BY MINOO DELJAVAN ANVARY During history gold has attracted people's attention as a precious metal; therefore, predicting its price is a prominent issue. Precise investigation of factors which affect gold price plays a significant role in increasing precision of our prediction. In this study more effective factors are considered compared to previous researches. Collected data is divided into three classes from time schedule perspective; daily, monthly and annually. Experiments revealed that the precision of our predictions is improved 2%, 7.3% and 5.6% compared to neural network, time series and linear regression methods, respectively. Obtained results demonstrate marvelous performance of investigated factors in gold price prediction. The results will lead to more benefits for people, organizations and jewelers. At the end some suggestions for future research are presented. KEYWORDS: Data Mining , Factors Affecting Forecast , Time Series , Neural Network, Regression Methods , Forecast Accuracy. 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