پیش بینی قیمت های مس با یادگیری درخت تصمیم گیری

پیش بینی قیمت فلزات در بسیاری از جنبه های اقتصاد مهم است. قیمت فلزی همچنین متغیرهای حیاتی در مدل های مالی برای ارزیابی درآمد است که اساس یک رژیم پرداخت مؤثر با استفاده از سیاست گذاران منابع را تشکیل می دهد. در این مقاله ، ما از یک الگوریتم یادگیری ماشین بر اساس درخت تصمیم گیری برای پیش بینی قیمت های آینده مس استفاده کردیم. ما نشان دادیم که روش ما قادر به پیش بینی دقیق و قابل اعتماد قیمت مس در هر دو کوتاه مدت (روز) و بلند مدت (سالها) است ، با میانگین درصد خطای مطلق زیر 4 ٪. ما همچنین نشان دادیم که روش فعلی بدون فرض ، قوی و مستعد تعصب انسان نیست. این روش به راحتی و به آسانی برای پیش بینی قیمت سایر فلزات و سایر کالاها قابل استفاده است و انتظار داریم که چنین روشی در طیف گسترده ای از زمینه ها مفید باشد.

معرفی

قیمت مس نقش حیاتی در جنبه های مختلف در اقتصادهای امروز لی و لی ، 2015 ، سانچز لاشراس و همکاران ، 2015 ، واتکینز و مک آلر ، 2004 ، گارگانو و تیممرمن ، 2014. از یک سو ، مس به شدت با بسیاری از صنایع همراه است. به عنوان سیم کشی برق ، ساخت و ساز و تولید تجهیزات ؛و بنابراین ، قیمت مس به یک عامل تأثیر بسزایی در عملکرد شرکت های مرتبط و اقتصاد Sánchez Lasheras و همکاران تبدیل شده است.(2015). از طرف دیگر ، برای برخی از کشورهای در حال توسعه که اقتصاد آنها به تولید مس بسیار متکی است ، مانند شیلی و زامبیا ، نوسانات قیمت مس در یک موقعیت استراتژیک ملی قرار گرفته است زیرا این امر بر درآمد ملی سانچز لاشراس و همکاران تأثیر می گذارد.(2015). علاوه بر این ، قیمت مس اطلاعات مهمی را برای شرکت کنندگان در بازار مالی مانند بانک ها و صندوق های سرمایه گذاری فراهم می کند زیرا این دلالان شرکت کنندگان فعال در بازارهای آینده فلزی واتکینز و مک آلر (2004) هستند.

پیش بینی قیمت مس برای سیاست گذاران و شرکت کنندگان در بازار از اهمیت ویژه ای برخوردار است. اول ، بودجه برای شرکت های معدن بسیار مهم است زیرا دوره های بازپرداخت به طور معمول طولانی است و بنابراین به یک مدل مالی پایدار و قابل اعتماد نیاز دارد تا به طور مناسب درآمد و هزینه آینده را برای حفظ جریان پول سالم در طول مرحله Project (1998) ارزیابی و پیش بینی کند. علاوه بر این ، یک مدل مالی مؤثر برای مقاماتی که مجوز معدن را برای ارزیابی درآمد پروژه و تعیین پرداخت مناسب یا وفاداری از پیمانکاران صادر می کنند ، ضروری است ، زیرا رژیم های پرداخت بر اساس مدل های Gaaut (2010) تدوین می شوند. از آنجا که قیمت مس مستقیماً با درآمد پروژه همراه است و یکی از مهمترین پارامترها در مدلهای مالی است ، پیش بینی دقیق قیمت مس در دراز مدت برای سیاستگذاران برای تصمیم گیری در مورد WETS و RIOS (2015) ضروری است.

در دهه های گذشته ، پیش بینی قیمت گذاری مس ، علاقه گسترده دانشگاهی گارگانو و تیممرمن (2014) را به خود جلب کرده است. قیمت های مس بسیار بی ثبات است و به بسیاری از عوامل بیرونی Bresnahan و Suslow ، 1985 ، Wets and Rios ، 2015 بستگی دارد. تلاش زیادی برای پیش بینی قیمت های آینده با استفاده از رویکردهای مختلف مدل سازی Gargano و Timmerma ، 2014 ، Li and Li ، 2015 ، Sánchezeze انجام شده است. Lasheras et al. ، 2015 ، Buncic and Moretto ، 2015. به عنوان مثال ، روش های با ضریب عامل مبتنی بر تجزیه و تحلیل مؤلفه های اصلی استاندارد یا رگرسیون حداقل مربعات جزئی تلاش شده است تا عوامل پویا را از مجموعه داده های بزرگ برای پیش بینی قیمت های کالاها و پس از آن استخراج کنند.(2011). رگرسیون چند متغیره نیز اخیراً Gargano و Timmerma (2014) مورد استفاده قرار گرفته است. اخیراً ، مدل های میانگین و انتخاب پویا ، و همچنین شبکه های عصبی و مدل های ARIMA نیز برای پیش بینی قیمت مس Buncic و Moretto ، 2015 ، Sánchez Lasheras و همکاران ، 2015 مورد سوء استفاده قرار گرفته اند. با این حال ، ادبیات مربوط به مدل سازی قیمت های مس پیدا شده استنتایج مختلط در مورد پیش بینی Buncic و Moretto (2015).

به تازگی ، ما در حال بررسی امکان استفاده از الگوریتم یادگیری ماشین بر اساس درخت تصمیم گیری برای پیش بینی قیمت مس هستیم. یادگیری درخت تصمیم روشی است که معمولاً در داده کاوی Breiman و همکاران استفاده می شود.(1984) ، و برای پیش بینی قیمت خانه ، قیمت نفت و سهام سهام و همکاران ، 2006 ، Tiwari و همکاران مورد سوء استفاده قرار گرفته است. Charlot and Marimoutou ، 2014 ، Bhar et al. ، 2015 ، و همچنین اندازه گیری عملکرد شرکت Delen و همکاران.(2013). یک الگوریتم درخت تصمیم گیری با تقسیم یک مجموعه داده به منظور آموزش یک مدل از طریق یک فرآیند پارتیشن بندی بازگشتی کار می کند ، و سپس از مدل برای پیش بینی مقدار یک متغیر هدف بر اساس متغیرهای مستقل Breiman و همکاران استفاده می شود.(1984).

در مطالعه حاضر ، ما نشان دادیم که روش ما مبتنی بر یادگیری درخت تصمیم گیری قادر به پیش بینی دقیق قیمت مس در آینده است ، با یک خطای زیر 5 ٪. علاوه بر این ، ما دریافتیم که پیش بینی های روش ما در طیف گسترده ای از مقیاس های زمانی ، از روزها تا ماه تا چندین سال دقیق است. و دقت برای پیش بینی های بلند مدت کاهش نمی یابد. با توجه به سادگی و صحت آن ، انتظار داریم که روش ما در برنامه های مختلف برای پیش بینی قیمت فلزی و قیمت کالاها مفید باشد.

قطعه قطعه

جمع آوری داده ها و تهیه

بسیاری از عوامل ممکن است در نوسان قیمت مس نقش داشته باشند. به عنوان مثال ، قیمت مس در تاریخ آینده احتمالاً تحت تأثیر قیمت های تاریخی مس قرار خواهد گرفت. علاوه بر این ، قیمت مس ممکن است مربوط به سایر قیمت های فلزی موجود در بازار باشد ، به عنوان گزینه های دیگر. به عنوان مثال ، هنگامی که قیمت فلزی دیگر کاهش می یابد ، احتمالاً قیمت مس از همان روند شارلوت و ماریموتو (2014) پیروی می کند. علاوه بر این ، قیمت مس احتمالاً به هزینه انرژی بستگی دارد ، مانند قیمت نفت خام و

نتیجه گیری

در پایان ، ما از الگوریتم درخت تصمیم برای پیش بینی قیمت های آینده مس استفاده کردیم. ما قیمت های نفت خام ، گاز طبیعی ، طلا ، نقره ، گرگهای لاغر و قهوه ، شاخص داو جونز و قیمت مس گذشته ، به عنوان متغیرهای مستقل ، برای پیش بینی قیمت های آینده مس انتخاب کردیم. ما نشان دادیم که روش مبتنی بر درخت ما قادر به پیش بینی دقیق و قابل اعتماد قیمت های مس در کوتاه مدت (روز) و بلند مدت (سال) است ، با میانگین درصد خطای مطلق زیر 4 ٪. ما نیز نشان دادیم

تصدیق

این کار توسط بنیاد ملی علوم اجتماعی چین پشتیبانی شد [شماره کمک هزینه: 12 و ZD210].