Documentos de Académico
Documentos de Profesional
Documentos de Cultura
No es trivial predecir los precios de los metales preciosos ya que una serie de factores pueden
afectar
las fluctuaciones de los precios de los metales preciosos. Los modelos paramétricos o los
modelos de aprendizaje automático no pueden
pronosticar con precisión los precios de los metales preciosos. Aunque los enfoques de
aprendizaje profundo muestran sus fortalezas en
las funciones de regularización también pueden conducir a una mayor mejora del rendimiento.
Extensos experimentos
D. MÓDULOS AUXILIARES
características del precio diario de los metales preciosos. En este papel, nosotros
también emplean una capa LSTM y una capa CNN como auxiliar
2) capa de convolución
Empleamos una capa de convolución para capturar las características espaciales. del precio
diario de los metales preciosos para nuestro modelo RSAR propuesto. También seleccionamos
γ como parámetro ajustable en la CNN componente, donde γ denota el número de filtros en
una capa convolucional, como se muestra en la Fig. 1.
La convolución capa, que consiste esencialmente en un componente CNN, puede extraer las
características espaciales globales. Siguiendo la convolución capa, también aprovechamos una
capa de agrupación máxima, que puede ser Se utiliza para reducir el número de parámetros y
características y evitar el ajuste excesivo.
1) Descripción del conjunto de datos: Obtenemos los precios de los metales preciosos
Precios del paladio para el análisis. Por lo tanto, los conjuntos de datos experimentales
contienen (i) conjuntos de datos diarios del precio del oro, (ii) conjuntos de datos diarios
conjunto de datos del precio del paladio. El precio diario se representa esencialmente en
diferentes monedas (por ejemplo, dólar estadounidense, EUR, RMB,
dólar de Hong Kong) por onza (es decir, oz). Para unificar el análisis,
elija el precio en dólares estadounidenses por onza en los días de negociación para
3) Métricas de desempeño: Para comparar las propuestas enfoque con otros modelos de
referencia, adoptamos cuatro métricas de rendimiento: error cuadrático medio (RMSE), media
error absoluto (MAE) y error porcentual absoluto medio (MAPE) y pérdida. RMSE de un
modelo es la desviación estándar de los residuos entre los valores predichos y los valores
observados [34]. MAE representa una medida de diferencia entre dos variables continuas y
calcule el promedio de todos errores absolutos. MAPE representa una medida de predicción
CONCLUSIÓN V
L1 y L2).
Mientras tanto, los módulos LSTM y CNN pueden ayudar a extraer características de series
temporales y espaciales de conjunto de datos de precios de metales preciosos. También
llevamos a cabo extensos experimentos para evaluar el desempeño del modelo propuesto.
Los resultados muestran que nuestro modelo propuesto supera los métodos convencionales
de ML y DL como ARIMA, SVR, CNN