Optimizing Precious Metal Price Forecasting with Hybrid Deep Learning Models: An Operational Research Perspective

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F75081431%3A_____%2F25%3A00002900" target="_blank" >RIV/75081431:_____/25:00002900 - isvavai.cz</a>
Výsledek na webu
<a href="https://actamont.fberg.tuke.sk/pdf/2025/n1/1kayathingal.pdf" target="_blank" >https://actamont.fberg.tuke.sk/pdf/2025/n1/1kayathingal.pdf</a>
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Optimizing Precious Metal Price Forecasting with Hybrid Deep Learning Models: An Operational Research Perspective
Popis výsledku v původním jazyce
In the current study, Wolfram Mathematica is employed to study the application of seven deep neural network architectures in predicting precious metal prices: LSTM, CNN, MLP, MLP-CNN, MLP-LSTM, LSTM-CNN, and LSTM-CNN-LSTM. We will utilize a daily price series over ten years for gold, silver, and platinum. Model performances were evaluated using RMSE, MAPE, and RMSE metrics.
Název v anglickém jazyce
Optimizing Precious Metal Price Forecasting with Hybrid Deep Learning Models: An Operational Research Perspective
Popis výsledku anglicky
In the current study, Wolfram Mathematica is employed to study the application of seven deep neural network architectures in predicting precious metal prices: LSTM, CNN, MLP, MLP-CNN, MLP-LSTM, LSTM-CNN, and LSTM-CNN-LSTM. We will utilize a daily price series over ten years for gold, silver, and platinum. Model performances were evaluated using RMSE, MAPE, and RMSE metrics.

Rok uplatnění
2025
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)