Altın fiyatının tahmini için ABC algoritması, PSO ve FPA kullanılarak yapay sinir ağının eğitimi

Abstract

Altın fiyatının tahmini için kullanılan yapay zekâ tekniklerinden biri yapay sinir ağları (YSA)’dır. YSA ile başarılı modeller oluşturmak için başarılı bir eğitim süreci şarttır. Başarılı bir eğitim süreci için başarılı bir eğitim algoritması gereklidir. Bu çalışmada YSA eğitimi için popüler meta-sezgisel algoritmalar olan yapay arı kolonisi (ABC) algoritması, parçacık sürü optimizasyonu (PSO) ve çiçek tozlaşma algoritması (FPA) kullanılmıştır. Ocak 2022 ile Haziran 2022 arasındaki 6 aylık altın fiyatları kullanılmaktadır. Altın verisinin zaman serisi 2 girdiden oluşan veri setlerine dönüştürülmüştür. Altın fiyatının günlük tahmini için ilgili meta sezgisel algoritmalar kullanılarak bu veri seti üzerinde YSA eğitimi gerçekleştirilmiştir. Verilerin %80'i eğitim sürecinde kullanılmıştır. Kalan veriler test sürecine tahsis edilmiştir. Hata ölçüsü olarak ortalama karesel hata (MSE) kullanıldı. Altın fiyatını etkin bir şekilde tahmin edebilmek için farklı ağ yapıları denenmiştir. Altın fiyatının tahmini için ABC algoritması, PSO ve FPA’nın performansları karşılaştırılmıştır. Çalışmanın sınırlılıkları dahilinde ABC algoritmasının performansının PSO ve FPA'ya göre daha etkili olduğu görülmüştür.

One of the artificial intelligence techniques used for prediction of gold price is artificial neural networks (ANNs). A successful training process is essential in order to create successful models with an ANN. A successful training algorithm is required for a successful training process. In this study, artificial bee colony (ABC) algorithm, particle swarm optimization (PSO) and flower pollination algorithm (FPA), which are popular meta-heuristic algorithms, are used for ANN training. 6 months gold prices between January 2022 and June 2022 are utilized. The time series of gold data was transformed into data sets consisting of 2 inputs.ANN training was performed on these this dataset by using related meta-heuristic algorithms for daily forecast of gold price. 80% of the data was used in the training process. The remaining data was allocated to the testing process. The mean squared error (MSE) was used as the error metric. Different network structures were tried to predict the gold price effectively. The performances of ABC algorithm, PSO and FPA are compared for prediction of gold price. Within the limitations of the study, it was seen that the performance of ABC algorithm was more effective than PSO and FPA.