این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

• محلی
• مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

تجزیه و تحلیل قیمت طلا و پیش بینی

ما برای این کار از 2 مجموعه داده استفاده کرده ایم. اولین مجموعه داده ها از وب سایت "شورای جهانی طلا" بدست آمده است. این مجموعه داده برای قیمت های جهانی طلا از سال 1978 تا 2018 است. این داده های ماهانه است.

از آنجا که این مجموعه داده قیمت واقعی بازار طلا نیست ، ما تصمیم گرفتیم قیمت بازار طلا را در هند بدست آوریم. هیچ مجموعه ای برای همین موارد در دسترس نبود. ما داده های بازار را از Gold Price هند از سال 2011 - 2018 برای هر ماه خراب کردیم. از آنجا که داده ها از وب جدا شده بودند ، ما قبل از استفاده از همان برای تجزیه و تحلیل ، آن را به صورت دستی تأیید کردیم.

ما با استفاده از تکنیک های اساسی مانند رها کردن تمام ردیف ها با مقادیر گمشده ، تمام داده ها را از قبل پردازش می کنیم (وجود نداشت!). بیشترین پردازش در تاریخ ها انجام شد ، زیرا داده ها از منابع مختلف جمع آوری می شدند ، تاریخ ها در قالب های مختلفی بودند و آنها به یک قالب مشترک قالب بندی می شدند که توسط Matplotlib برای ترسیم مناسب آن قابل درک است.

ایجاد یک مدل:

ما سعی می کنیم یک مدل رگرسیون ساده ایجاد کنیم. این یک مدل رگرسیون چندگانه با پارامترهای ورودی به عنوان میانگین حرکت 1 ماه گذشته و 2 ماه گذشته است. ما به وضوح می توانیم بیش از حد در این مدل مشاهده کنیم. این بیش از حد می تواند به داده های غیر ثابت نسبت داده شود.

برای بررسی ثابت بودن داده ها ، داده ها را به همراه تاریخ ترسیم می کنیم. فقط با دیدن طرح می توانیم نتیجه بگیریم که داده ها غیر ثابت هستند. همچنین می توانیم از هیستوگرام (در کد) ببینیم که داده ها دارای فصلی بودن و برخی از مؤلفه های روندها هستند. ما همچنین برای تأیید ثابت بودن ، تست دیکی فولر را انجام دادیم. ما می توانیم ببینیم که آمار ADF بالاتر از هر یک از مقادیر مهم است ، و مقدار P بسیار بیشتر از 0. 05 است ، بنابراین ما نمی توانیم فرضیه تهی را رد کنیم که داده ها غیر ثابت هستند.

data data را ثابت کنید تا داده ها ثابت شود ، ما از ساده ترین تکنیک برای تبدیل یک ورود به سیستم استفاده می کنیم.

ما می توانیم مشاهده کنیم که هیچ تغییری وجود ندارد و داده ها هنوز غیر ثابت هستند. اکنون سعی می کنیم در مورد این داده ها تفاوت هایی را انجام دهیم. ما متفاوت از سفارش 2 را انجام می دهیم و نتایج زیر را مشاهده می کنیم. ما می توانیم ببینیم که آمار ADF کمتر از 1 ٪ ارزش بحرانی است از این رو می توانیم فرضیه تهی را رد کنیم و با سطح اطمینان 99 ٪ نتیجه بگیریم که داده ها ثابت هستند. اکنون می توانیم از این داده ها برای مدل سازی بیشتر استفاده کنیم.

model مدل رگرسیون دوباره

ما دوباره از مدل رگرسیون قدیمی برای این داده های ثابت استفاده می کنیم. ما نتایج زیر را می بینیم. ما مقدار مربع R 30 ٪ را بدست می آوریم که زیر آن است. و میانگین خطای مربع نیز بسیار زیاد است. اگرچه RMSE یک آمار مطلق است و نمی توان از آن برای قضاوت در مورد خوب بودن تناسب استفاده کرد ، ما از این مقدار برای مقایسه بیشتر با سایر مدل ها استفاده خواهیم کرد

tlots توطئه های ACF و PACF

اکنون ما سعی می کنیم ACF I. E همبستگی و PACF یعنی توطئه های همبستگی جزئی را برای این داده ها ترسیم کنیم تا مقادیر P ، Q ، D را برای ایجاد یک مدل ARIMA پیدا کنند.

ما این داده ها را با استفاده از یک مدل Sarima مدل می کنیم. یک مدل Sarima مخفف یک مدل ARIMA فصلی است. وقتی داده های فصلی وجود دارد ، مدل Sarima نسبت به یک مدل ساده Arima بهتر است. یعنیداده های Timeseries دارای چرخه های مکرر است. ما مشاهده می کنیم که این مدل بسیار بهتر از هر مدل قبلی است.

در زیر نتایج و تشخیص مدل وجود دارد. ما می بینیم که مقدار مربع R 73 ٪ قابل قبول است و خطای RMS از 5000 به 1715 کاهش یافته است که نشانه خوبی است.

اکنون ما از دیگر (مجموعه داده های بازار هند) برای تلاش و یافتن هرگونه روند جالب در نوسانات قیمت استفاده می کنیم. با توجه به سالهای مختلف ، قیمت های طلا در طول فصل عروسی مطابق با آن سال حداکثر بوده است. ما همچنین می توانیم روند چرخه ای را در قیمت مشاهده کنیم ، 6-8 سال رشد صعودی و به دنبال آن 6-8 سال بازار نزولی وجود دارد. به غیر از این که هیچ روند واضحی در داده ها وجود ندارد. حداکثر قیمت همیشه مارس-آوریل یا سپتامبر-اکتبر بوده است که در طول یا درست قبل از فصل عروسی سقوط می کند.

مشاهدات و نتیجه گیری:

اکنون ما مدلی داریم که می تواند قیمت طلا را با دقت تقریبا 73 ٪ پیش بینی کند و بین قیمت بازار طلا و فصل عروسی در هند ارتباط جالبی پیدا کرده است.

با اطمینان می توان نتیجه گرفت که قیمت طلا در بازار جهانی و بازار منطقه ای هند بسیار بی ثبات است و به عوامل خارجی زیادی وابسته است که به راحتی نمی توان مدل سازی کرد.

برای کارهای بعدی ، ما می توانیم از مدل موجود خود استفاده کنیم تا یک سیستم توصیه ای بسازیم که به کاربران زمان مناسبی برای خرید و فروش طلا برای افرادی که علاقه مند به سرمایه گذاری در طلا هستند ، می دهد.