SOCO - Copper Price Time Series Forecasting by Means of Generalized Regression Neural Networks with Optimized Predictor Variables

فصل «SOCO - Copper Price Time Series Forecasting by Means of Generalized Regression Neural Networks with Optimized Predictor Variables» از کتاب «Advances in Intelligent Systems and Computing» بر «قیمت و پیش‌بینی» در حوزه «اقتصاد و بازار مس» تمرکز دارد. مباحث اصلی آن شامل بازار، تقاضا و تجارت مس، بازار کالا و ریسک قیمت، ارزش‌گذاری پروژه و تصمیم سرمایه‌گذاری و راهبرد، سیاست‌گذاری و توسعه زنجیره ارزش است. این فصل برای تحلیل بازار، ارزیابی سرمایه‌گذاری، سیاست‌گذاری، مدیریت ریسک و برنامه‌ریزی راهبردی کاربرد دارد و ارتباط میان نظریه، انتخاب روش، شاخص‌های عملکرد و محدودیت‌های صنعتی را روشن می‌کند.

This paper presents a twelve-month forecast of copper price time series developed by means of Generalized regression neural networks with optimized predictor variables. To achieve this goal, in first place the optimum size of the lagged variable was estimated by trial and error method. Second, the order in the time series of the lagged variables was considered and introduced in the predictor variable. A combination of metrics using the Root mean squared error, the Mean absolute error as well as the Standard deviation of absolute error, were selected as figures of merit.