فايل دانشگاهی – بررسی عوامل موثر بر قیمت طلا و ارائه مدل پیش بینی قیمت …

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.
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” alt=”Description: Z:zareiarm-2.JPG” />

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

  1. . The Classical Gold Standard
    ۲. Bordo ↑
  2. . Consumer Price Index ↑
  3. . Harmonised Indices of Consumer Prices ↑
  4. . Exchange Traded Funds ↑
  5. . Standard and Poor’s Depository Receipt ↑
  6. . Gross domestic product

  7. . Tehran exchange price index ↑
  8. . the traditional equal weight ↑
  9. . the variance covariance matrix ↑
  10. . the odd matrix ↑
  11. . multi liner regression ↑
  12. . advanced regression ↑
  13. . Nearest Neighbours ↑
  14. . Multilayer Perceptron ↑
  15. . Higher Order Neural Networks ↑
  16. . Multiple Linear Regression ↑
  17. . universal functional approximators ↑
  18. ۱- Adaptive Neuro-Fuzzy Inference System

مدل کارت امتیازی متوازن و روش های ارزیابی عملکرد


Widget not in any sidebars
در اجرای مدل BSC (بیمه ایران)کارایی وراندمان وکیفیت فرایندهای داخلی با عملکرد سازمان رابطه دارد.
در اجرای مدل BSC(بیمه ایران)توسعه شایستگیها از طریق آموزش با عملکرد سازمان رابطه دارد.
در اجرای مدلBSC (بیمه ایران) زیرساختها ومنابع سازمانی با عملکرد سازمان رابطه دارد.
در اجرای مدلBSC(بیمه ایران) کاهش هزینه های غیرضروری با عملکرد سازمان رابطه دارد.
1 – 7. اهداف اساسی از انجام تحقیق
بررسی عملکرد بیمه ایران با توجه به مدل کارت امتیازی متوازن (شاخص های چهارگانه BSC )برای اجرای استراتژی.
1-8 . نتایج مورد انتظار پس از انجام تحقیق
رسیدن به یک مدل ارزیابی متوازن برای بیمه ایران که منجر به تحقق استراتژی‌های سازمان بیمه در راستای استراتژی‌های آن باشد.
1-9. جنبه نوآوری و جدید بودن تحقیق
با توجه به اینکه سازمان بیمه در جهت دستیابی به اهداف مورد نظر خود اقدام به تدوین برنامه استراتژیک نموده است و امید است که با اجرای آن در راستای ارتقاء کیفیت کلیه خدمات گام بردارد،لذا به ارزیابی عملکرد سازمان بیمه جهت پیاده سازی استراتژی به عنوان یک نیاز تحقیقاتی می پردازد. [3]
1-10. روش تحقیق
این تحقیق توصیفی و روش بکاررفته در آن پیمایشی است ضمناً در این تحقیق از روش کتابخانه ای برای بخش های ادبیات و مبانی نظری استفاد شده است.
1-11. روش و ابزار گرداوری اطلاعات
برای جمع آوری و تحلیل اطلاعات کمی از روش پرسش نامه استفاده گردیده است.
1-12. سابقه مطالعات و تحقیقات انجام گرفته
1-12-1. تحقیقات داخلی
روح الله رمضان زاده بادله (1390) تحت عنوان توسعه کارت امتیازی متوازن برای پیاده سازی استراتژی قرارگاه سازندگی خاتم الانبیاء(ص) که با استفاده از مدل BSC پس از شناسایی و واضح ساختن مأموریت و چشم انداز سازمان، اهداف سازمان در هر یک از چهار دیدگاه کارت امتیازی متوازن تعریف و پس از مقادیر سیستم های ارزیابی عملکرد و انتخاب مدل کارت امتیازی متوازن به سؤالات تحقیق پاسخ داده و با ترسیم نقشه استراتژی قرارگاه سنجه های کارایی مرتبط با عوامل کلیدی را ارائه می نماید.
تحقیق توسط محمد قلی زارع (1389) تحت عنوان طراحی برنامه راهبردی و تهیه BSC بیمارستان تخصصی نگاه که در این تحقیق از چهارچوب نظری مدل پورتر، مدل بوستون و تحلیل مشتری می باشد. در این مدل با استفاده از ماتریس های SWOT ،SPACE ، IE و ماتریس اصلی به یکسری داده ها رسیده و در آخر به تدوین نقشه استراتژیک بیمارستان بر اساس مدل BSCمی پردازد.
تحقیقی توسط روح الله عسکری (1391) تحت عنوان “ارزیابی کارایی بیمارستانهای دانشگاه علوم پزشکی یزد با استفاده از رویکرد کمی تحلیل پوششی داده ها” انجام شده که پس از بررسی های لازم مشخص شد کارایی فنی بیمارستانهای مورد مطالعه از روش تحلیل داده ها با فرض بازدهی متغیر به مقیاس 958% می باشد. بر اساس یافته های تحقیق استفاده از سایر روش های ارزیابی عملکرد از قبیل کارت امتیازی متوازن در جهت مقایسه با نتایج مطالعه حاضر به منظور تعیین وهدایت واحدهای ناکارا برای بهبود کارایی و امتیازات خاص برای بیمارستان هایی با سطح عملکرد بهتر از اهم پیشنهادات است.
مقاله ای توسط محمد اسعدی میر و همکاران (1389) تحت عنوان “ارزیابی عملکرد بیمارستانهای دولتی با استفاده از کارت امتیازی متوازن ،تحلیل پوششی داده ها و سرکوال ارائه شذه است. در این مقاله کارایی نسبی 13 بیمارستان استان در سال1387 با استفاده از مدل تلفیقی پوشش داده ها و کارت امتیازی متوازن مورد ارزیابی قرار گرفته است
1-12-2. تحقیقات خارجی