پیش‌ بینی الگوی قیمتی طلا با درونیابی فراکتال

تحلیل و بررسی روند قیمت یک دارایی، گام اساسی در مدیریت ریسک سرمایه‌ گذاری بر روی آن دارایی به شمار می‌رود. بنابراین در بازارهای جهانی، پیش ‌بینی روند قیمتی یک دارایی مورد توجه ویژه معامله‌گران می‌باشد و حتی در سیاست‌های پولی یک کشور نقش اساسی را ایفا می‌کند. براین اساس، در این مقاله سعی خواهیم کرد با توجه به نوسانات قیمتی و اهمیت بیشتر اونس جهانی طلا نسبت به سایر فلزات در بازارهای جهانی، با استفاده از مفهوم درونیابی فراکتال در پیش‌بینی روند قیمتی داده‌های با ساختار سری‌های زمانی، روند قیمتی این فلز گرانبها را مورد تجزیه و تحلیل قرار دهیم تا به کمک آن، الگوی روند قیمتی طلا را به‌منظور پیش‌بینی روند قیمتی اونس جهانی طلا تعیین کنیم. چنین رویکردی، ابزار لازم در جهت کمک به‌نحوه انجام سرمایه‌گذاری در دوره‌های زمانی مختلف (کوتاه‌مدت، میان‌مدت و احتمالاً بلند‌مدت) را می‌تواند فراهم نماید. برای رسیدن به این مهم در ابتدا به تشخیص وجود حافظه بلندمدت در روند قیمتی طلا، با استفاده از نمای هرست می‌پردازیم. پس از تایید پایداری، با فراخوانی الگوریتم درونیابی فراکتال به تولید داده‌های فراکتالی می‌پردازیم و در پایان با فراخوانی الگوریتم مبتنی بر شبکه‌های عصبی بر روی داده‌های فراکتالی، به پیش‌بینی رفتار سری زمانی متناظر با داده‌های قیمتی طلا می‌پردازیم. در پایان به مقایسه نتایج حاصل از فراخوانی دو الگوریتم موجود در ادبیات موضوع بر روی داده‌های طلا می‌پردازیم.

prediction of gold price pattern by fractal interpolation

analyzing and examining the price trend of an asset is a fundamental step in managinginvestment risk on that asset. therefore, in markets, predicting the price trend of an asset is of specialinterest to traders and even plays a crucial role in a country’s monetary policies. based on this, in thispaper, we will try to use the concept of fractal interpolation to predict the price trend of gold, givenits price fluctuations and greater importance compared to other metals in markets. by analyzing thegold’s price trend using time series data with a fractal structure, we aim to determine the pattern ofprice trend to predict the price trend of gold ounces. such an approach can provide the necessary toolto help investment decision-making in different time periods (short-term, medium-term, and possiblylong-term). to achieve this, we first identify the presence of long-term memory in gold’s price trendusing the hurst exponent. after confirming stability, we generate fractal data by calling the fractalinterpolation algorithm and then predict the behavior of the corresponding time series data using aneural network algorithm based on fractal data. finally, we compare the results obtained from callingthe algorithms present in the literature on gold data.