تخمین قیمت طلای بین المللی با فیوز یادگیری ماشین عمیق/کم عمق

  • 2021-08-1

در این کار ، ما یک روش جدید را پیشنهاد می کنیم که ترکیب دستگاه بردار پشتیبانی (SVM) و مدل حافظه کوتاه مدت بلند مدت (LSTM) با استفاده از تئوری فضای مناسب برای پیش بینی قیمت طلا با استفاده از عوامل قیمت که ظاهراً یک قیمت است. تأثیر بر قیمت طلا. ضریب همبستگی پیرسون برای اندازه گیری روابط بین نه عامل قیمت و قیمت طلا استفاده می شود. پنج عامل قیمت با ضرایب همبستگی بزرگتر انتخاب می شوند. سپس ، با استفاده از آزمون علیت گرنجر ، قیمت طلا ممکن است در مورد دو عامل قیمت در زمان نگرانی تغییر کند ، که منجر به ترکیب نتایج تجزیه و تحلیل همبستگی با نتایج علیت گرنجر می شود که منجر به کل هفت عامل قیمت می شود. همچنین ، قیمت طلا را می توان با توجه به تئوری فضای کمکی و ویژگی زمانی به چهارمین سال تقسیم کرد. با سه دانه در هر ماه ، یک فضای کمکی 3 لایه بر اساس دانه های سنتز شده و محاسبه شده ساخته می شود. روش پیشنهادی نتایج پیش بینی را ارائه می دهد که به ترتیب با مقادیر پیش بینی شده برخی از مدل های خاکستری (GM) و قیمت طلا واقعی مقایسه می شوند. نتایج نشان می دهد که نتایج پیش بینی قیمت طلا دارای اندازه گیری خطای پایین تر قابل مقایسه است و عملکرد بهتری دارد.

1. مقدمه

صنعت تولید کلید کشورهای بزرگی مانند ایالات متحده است. طلا همیشه یک ماده مبادله ای منحصر به فرد بوده است و به تدریج نقش خود را در اقتصاد جهانی برطرف کرده است. علاوه بر این ، گلد تا حدودی تجارت کالا و توسعه اقتصادی را ارتقا داده است. اگرچه عملکرد ارز طلا از دهه 1970 تضعیف شده است ، اما هنوز هم به عنوان صندوق ذخیره توسط دولت های بسیاری از کشورها اعمال می شود و یکی از مؤلفه های مهم ذخایر بین المللی بوده است. بازار طلا یک بازار جهانی است که می تواند به راحتی با هر ارز در سراسر کشورها رد و بدل شود. از آنجا که طلا به عنوان ارز محسوب نمی شود ، مشتقات طلا بیشتر و بیشتر در بازار طلا ظاهر می شوند. این مقیاس تجارت طلا را گسترش داده است. قیمت طلا تحت تأثیر عوامل مختلفی قرار دارد. مطالعات مختلفی در مورد عوامل تأثیرگذار قیمت طلا از بسیاری از منظر انجام شده است. لینا و همکاران.[1] رابطه بین قیمت های طلا و عوامل مؤثر در کوتاه مدت از طریق آمار توصیفی و رگرسیون خطی چندگانه را مورد تجزیه و تحلیل قرار داد. رانگ [2] بر اساس تجزیه و تحلیل عوامل تأثیرگذار ، یک مطالعه تجربی در مورد قیمت طلا انجام داد. یونگ [3] با در نظر گرفتن ویژگی های شیء تحقیق ، متغیرهای پروکسی قیمت طلا را کشف کرد. آنها همچنین نقش عوامل مختلف تأثیرگذار قیمت طلا در دوره های مختلف را مورد تجزیه و تحلیل قرار دادند. شیائولی [4] عوامل مربوطه مؤثر بر قیمت طلا را در شرایط مختلف و روابط پیچیده بین این عوامل بررسی کرد. Kanjilal و Ghosh [5] با استفاده از مدل تصحیح خطا ، رابطه بین قیمت های نفت خام و طلای جهانی را مورد تجزیه و تحلیل قرار دادند. گیل-آلانا و همکاران.[6] مفاهیم ادغام ، ادغام و تکنیک های مدیریت زمانی را برای الگوبرداری از روابط بین قیمت نفت و قیمت طلا به کار برد. کامران و همکاران.[7] روابط عملکردی چند متغیره را بین قیمت طلا ، تورم ، نرخ بهره ، نرخ ارز ، بازار سهام ، قیمت نقره ، درآمد سرانه و پس انداز داخلی برقرار کرد. علاوه بر این ، محققان بر بررسی مکانیسم پیش بینی قیمت طلا متمرکز شده اند. بیشتر موسسات سنتی برای پیش بینی قیمت طلا از مدل های آماری استفاده می کنند. این به نمونه های گسترده ای نیاز دارد. بنابراین ، هنگامی که تعداد نمونه ها کوچک یا ناکافی باشد ، اثر شناسایی ضعیف خواهد بود. بعضی اوقات ، یک مشکل "حداقل محلی" در مدل های اجرا شده رخ می دهد. Yifan و Yuqian [8] پیش بینی کوتاه مدت و تجزیه و تحلیل قیمت های طلا را بر اساس مدل ARMA انجام دادند. Yanyan و Yanli [9] با استفاده از مدل GM (1 ، 1) بر اساس انتگرال های بعدی برابر برای پیش بینی قیمت طلا پیشنهاد کردند. جی و همکاران.[10] مدل DCCM-Vgarch از بازارهای نفت ، سهام و طلا را برای پیش بینی همبستگی بین بازارهای روغن ، سهام و طلا ایجاد کرد. Kristjanpoller و Minutolo [11] یک شبکه عصبی عمیق و یک مدل ناهمگونی مشروط مشروط خودکشی عمومی را برای پیش بینی نوسان قیمت های طلا ایجاد کردند. دوتا و همکاران.[12] از روشهای MFDFA و MFDXA برای تجزیه و تحلیل همبستگی پویا بین قیمت های طلا و نوسانات Sensex استفاده کرد. جرثقیل و همکاران.[13] برای برآورد پارامترهای مربوط به قیمت های طلا ، مدل سیاه و سفید را فرموله کرد. یانگ و همکاران.[14] یک مدل تجزیه تجربی را معرفی کرد که دستگاه بردار پشتیبانی را ترکیب می کند و مدل EDM-SVM را برای پیش بینی قیمت طلا پیشنهاد می کند.

از سوی دیگر، نظریه فضای ضریب عمدتاً بازنمایی و ویژگی‌های حوزه‌ها، ویژگی‌ها و ساختارها در دانه‌بندی‌های مختلف و همچنین وابستگی متقابل و تبدیل متقابل این نمایش‌ها و ویژگی‌ها را مورد بحث قرار می‌دهد. این به طور فراگیر در داده کاوی و تشخیص الگو و همچنین الگوریتم های پوشش متقابل استفاده می شود. حتی اگر طبقه‌بندی به‌ویژه چالش‌برانگیز در نظر گرفته شود و نمی‌تواند مستقیماً مشکل برازش داده‌ها را حل کند [15، 16]، ماشین بردار پشتیبان (SVM) نوع جدیدی از تکنیک یادگیری ماشین است که بر اساس تئوری بعد آماری Vapnik-Chervonenkis (VC) است. یادگیری و اصل به حداقل رساندن ریسک ساختاری. برای یافتن بهینه سازی جهانی و توانایی تعمیم قوی مزایایی دارد.

در این نسخه خطی، ما مدل LSTM را با SVM با استفاده از تئوری فضای ضریب ترکیب می کنیم تا یک مدل ترکیبی برای مقابله با مشکل پیش بینی بسازیم. با انجام این کار، حوزه داده با استفاده از نظریه فضای ضریب [17-27] به دانه بندی های متعدد تقسیم می شود زیرا مزیت این نظریه هنوز مورد استفاده قرار نگرفته است.

ضریب همبستگی پیرسون و تحلیل علیت گرنجر به طور همزمان برای کشف عوامل مهم تری که بر قیمت طلا تأثیر دارند استفاده می شود. متعاقباً، LSTM و SVM با توجه به تئوری فضای ضریب ترکیب می شوند. بنابراین، مدل ترکیبی در نهایت برای پیش‌بینی اثربخشی عوامل بر پیش‌بینی قیمت طلا به کار گرفته می‌شود. نتایج مقایسه نشان داد که روش پیشنهادی پیش‌بینی‌های بهتری ایجاد می‌کند. شکل 1 روش پیشنهادی را نشان می دهد.

بقیه دست نوشته ها به شرح زیر تنظیم شده است. بخش 2 کار مرتبط را ارائه می دهد. بخش 3 روش پیشنهادی را با در نظر گرفتن اطلاعات اساسی که به توسعه روش پیشنهادی کمک می کند، معرفی می کند. بخش 4 نتایج تجربی را ارائه می دهد. بخش 5 تحقیق را به پایان می رساند.

2. کارهای مرتبط

تئوری اقتصادی ادعا می کند که قیمت کالاها توسط رابطه پیچیده عرضه و تقاضا تعیین می شود. با این حال، قیمت طلا در روابط مختلف عرضه و تقاضا متفاوت ظاهر می شود. به عنوان یک کالا، باید الگوی خاصی در نوسان قیمت طلا وجود داشته باشد. در چند سال گذشته، پنج کشور برتر در تولید جهانی طلا چین، ایالات متحده، روسیه، استرالیا و آفریقای جنوبی بوده اند. از سوی دیگر شاخص تولیدکننده و شاخص مصرف کننده بر تولید طلای این کشورها تأثیرگذار است. این دو شاخص نشان می دهد که تناظر تنگاتنگی بین شاخص ها و تولید طلا با روند رشد ثابت وجود دارد. ما تغییرات قیمت طلا را در 12 کشور (چین، ایالات متحده، اروپا، کانادا، استرالیا، روسیه، آفریقای جنوبی، ترکیه، عربستان سعودی، امارات، کره جنوبی و ژاپن) از سال 2006 تا 2015 بر اساس آمار مقایسه می کنیم. قیمت طلامی توان مشاهده کرد که با رصد چرخه های قیمتی، قیمت طلا در اکثر کشورها با دامنه های مختلفی در نوسان است. با این حال، قیمت طلا به طور کلی در بلندمدت افزایش یافته است. پس از کاهش شدید قیمت طلا در برخی کشورها، قیمت طلا دوباره افزایش یافت. در 10 سال گذشته، قیمت طلا در چین به بالاترین میزان خود در سال 2011 رسید و قیمت طلا افزایش پر پیچ و خم را نشان داد.

به عنوان یک ابزار حفظ ارزش ، طلا وقتی تورم جهانی تأثیر زیادی در بازار مالی دارد ، نقش غیر قابل تعویض ایفا می کند. به این ترتیب ، قیمت طلا از نزدیک با سطح تورم ارتباط دارد. شاخص قیمت کالا (CPI) همچنین می تواند سطح تورم جهانی را تا حدی منعکس کند ، و تغییرات در CPI به نوبه خود مربوط به قیمت آتی نفت خام واسطه (WIT) غرب تگزاس است. تغییر در قیمت آتی نفت خام شوخ طبعی باعث نوسانات در CPI در شرایط مختلف خواهد شد. این همچنین منجر به نوسانات قیمت طلا می شود. روند قیمت های آتی نفت خام WIT بسیار نزدیک به قیمت طلا است. به عنوان مثال ، از آنجا که قیمت طلای بین المللی بر اساس دلار آمریکا است ، قیمت طلا نه تنها تحت تأثیر شرایط عرضه و تقاضا قرار گرفته بلکه تحت تأثیر ارزش دلار آمریکا قرار گرفته است. علاوه بر این ، قیمت طلا نیز تحت تأثیر ارزش ارزهای سایر کشورها قرار خواهد گرفت. هنگامی که شاخص ارز جهانی پنج (G5) در حال بررسی است ، از جمله دلار آمریکا ، یورو ، ین ژاپنی ، پوند انگلیس و دلار کانادا به بعد 2012 ، قیمت طلا مربوط به شاخص دلار آمریکا و آن استشاخص ارز G5 نیز. برخی از یافته های کلیدی که توسط تحقیقات تعیین شده می توانند به شرح زیر خلاصه شوند: عوامل مؤثر بر قیمت طلا شامل آینده نفت خام ، شاخص داو جونز ، شاخص نرخ بهره ، نرخ صندوق های فدرال (FFRM) ایالات متحده ، شاخص دلار آمریکا ، شاخص سهام ، CPIشاخص ، نرخ رشد تولید ناخالص داخلی ایالات متحده ، شاخص حق بیمه ریسک شهرستان (CRP) و ذخایر طلا [17-27]. علاوه بر این ، عوامل اجتماعی ، آداب و رسوم فرهنگی و عوامل سیاسی نیز بر قیمت طلا تأثیر می گذارد. به طور کلی ، عواملی که تأثیر بیشتری بر قیمت طلا دارند شامل نه عامل ، یعنی شاخص کالاها ، شاخص قیمت مصرف کننده ، شاخص دلار آمریکا ، آتی نفت خام ، شاخص داو جونز ، نرخ تورم ، شاخص ارز G5 ، شاخص تولید کننده است.، و شاخص مصرف کننده. این نه عامل به عنوان عوامل تأثیرگذار قیمت طلا برای این تحقیق انتخاب شد.

3. روش پیشنهادی

مدل پیش بینی پیشنهادی از قیمت طلا شامل سه ماده اصلی اصلی است: نظریه فضایی Quotient ، SVM و LSTM. ما آنها را به طور خلاصه در بخش های بعدی معرفی خواهیم کرد.

3. 1نظریه فضای کم ارزش

در تئوری فضای کم ارزش [13] ، مشکل پیش بینی قیمت طلا توسط یک مجموعه سه گانه بیان می شود:

جایی که x جهان گفتمان است ، f عملکرد ویژگی (بردار) است ، و t ساختار توپولوژیکی در X است. رابطه هم ارزی ، که توسط R مشخص شده است ، توسط مجموعه (x ، f ، t) نشان داده شده است. تئوری فضای کمکی مجموعه ای از مجموعه تعیین شده توسط R را بررسی می کند ، از جمله ساختار ذاتی و ویژگی های Quotient [14]. t نشان دهنده تبدیل از سطح درشت به یک سطح ریز دانه است. برای دانه های درشت درشت چندگانه ، ما یک سطح دانه بندی مناسب از ویژگی ها و ساختار را ایجاد می کنیم ، که می تواند توضیحات مربوط به مشکل دانه بندی متناسب با وضعیت خاص و سنتز فضای کمکی را به طور کامل انجام دهد. در تئوری فضای مناسب ، تقسیم جهان گفتمان توسط رابطه هم ارزی r محاسبه می شود که دامنه گفتمان X را به چندین ذره تقسیم می کند. از نماد X / R برای نشان دادن مجموعه ای از کلاسهای هم ارزی در یک دامنه معین X استفاده می شود. هر کلاس هم ارزی حاوی ذرات است. اندازه ذرات یک مقدار قابل اندازه گیری است. ساختار فضای کم نظیر یک مشکل معین ، دانه بندی را از این سه جنبه بدست می آورد: دامنه ، ویژگی و ساختار [7].

گرانول بودن این ویژگی مربوط به دانه بندی مجموعه Quotient است که مربوط به دامنه مقادیر y است [15]. رابطه مربوطه من توسط r مشخص شده استمنوادعملکرد ویژگی توسط f (x) = (f) مشخص می شود1(x) ، f2(x) ،… ، fحرف( ایکس )). جفمنرابطه ای است که در مورد ویژگی های x و y حاکی از آن است

جایی که gمنبه عنوان یک رابطه هم ارزی در X تعریف شده است ، که فضای مناسب مربوطه را ایجاد می کند. روش استفاده از دانه بندی سازه بر اساس استفاده از T برای به دست آوردن توپولوژی درشت t استمن.

3. 2دستگاه بردار پشتیبانی

روش رگرسیون خطی در دستگاه بردار پشتیبانی [13 ، 14] برای حل مشکل پیش بینی قیمت طلا از آن استفاده می شود. داده های نمونه توسط کجا مشخص شده است

وادعملکرد رگرسیون خطی توسط

بردار وزن هیپرپلن کجاست. X داده های نمونه است. و B اصطلاح تعصب است. اگر تابعی وجود داشته باشد که نیاز دقت را برآورده کند

، سپس حداقل با یک مشکل بهینه سازی محدب تعریف شده توسط حداقل قابل حل است

در اینجا ، محدودیت توسط

واداگر خطای اتصالات مجاز باشد ، عامل آرامش

معرفی شده است ، و مشکل بهینه سازی محدب را می توان بر اساس عملکرد هدف تعریف شده توسط

جایی که C ثابت درجه مجازات برای نمونه خطا است و عوامل آرامش است. خطای مناسب عملکرد در محدوده زیر است که توسط آن مشخص شده است

فقط یک قسمت کوچک از

و صفر نیست. عملکرد هسته

برای جایگزینی عملیات محصول داخلی در (6) استفاده می شود ، و عملکرد اتصالات غیرخطی توسط تعریف شده است

جایی که توابع هسته در SVM ها شامل عملکردهای هسته محلی و جهانی است. در عمل ، انواع مختلفی از توابع هسته مانند توابع خطی ، چند جمله ای ، شعاعی و سیگموئید وجود دارد. عناصر موجود در مجموعه بر اساس مجموعه عناصر دانه های مختلف به دست آمده به ویژگی ها تقسیم می شوند. از این رو ، برچسب های عناصر بدون تغییر هستند و ویژگی های عنصر و فضای مقدار محفوظ است. دانه بندی مجموعه های مختلف دانه بندی در مورد رابطه هم ارزی تعریف شده توسط ویژگی های خوشه بندی تجزیه و تحلیل داده ها بدست می آید. مجموعه آموزش جدید توسط تعریف شده است

جایی که من با برچسب دسته نمونه در زیر مجموعه برابر هستم. نشان دهنده

به عنوان تعداد نمونه در دانه درشت، مربوط به دانه ریز است. اگر بزرگتر شود، ریسک تجربی در روش ماشین بردار پشتیبان مربوط به نمایش ریزدانه بیشتر خواهد بود. بردار پشتیبان در دانه درشت به طور مشابه عمل می کند. ریسک تجربی ماشین بردار پشتیبان باید تعداد نمونه های موجود در هر بخش را در نظر بگیرد. به این ترتیب، مشکل اصلی را می توان با بیان کرد

محدودیت ها با نشان داده می شوند

. مدل دوگانه با تعریف شده است

عملگر لاگرانژی مربوط به کجاست ;یک بردار متشکل از عناصر است، یک بردار k بعدی با همه آنها است. و یک است

ماتریس نیمه معین که با . با توجه به مجموعه آموزشی قیمت طلا در زمان‌های مختلف، SVM برای پیش‌بینی قیمت طلا یک مجموعه آزمایشی در روش پیشنهادی استفاده می‌شود.

3. 3. حافظه بلند مدت کوتاه مدت (LSTM)

LSTM یک شبکه عصبی عمیق است که برای حل مشکل ناپدید شدن گرادیان های ناشی از مدل شبکه عصبی مکرر به دلیل توالی ورودی طولانی توسعه یافته است [12، 13]. LSTM از سلول های حافظه، گیت های ورودی، گیت های خروجی، دروازه فراموشی و توابع فعال سازی سه گیت که همگی توابع سیگموئید هستند تشکیل شده است. دروازه ورودی اطلاعات ورودی واحد عصبی را در زمان فعلی کنترل می کند، در حالی که دروازه فراموشی برای کنترل اطلاعات تاریخی ذخیره شده در واحد عصبی در زمان قبلی استفاده می شود. در همین حال، دروازه خروجی برای کنترل اطلاعات خروجی واحد عصبی در زمان جاری استفاده می شود [14]. شکل 2 نمای گسترده ای از ساختار شبکه LSTM را نشان می دهد. در حالی که قسمت "3" ورودی در زمان فعلی t را نشان می دهد، بخش "2" نشان دهنده مقدار وضعیت سلول در زمان فعلی t است.

مدل شبکه پیش‌بینی سهام مبتنی بر LSTM-CNN-CBAM تحت سیستم عامل LINUX ساخته شده است که نسخه GPU آن GTX 2080 تحت چارچوب PyTorch است. با ترکیب مکانیسم توجه CBAM در مدل طبقه‌بندی سری‌های زمانی که شبکه عصبی حافظه کوتاه‌مدت را ترکیب می‌کند، مدل LSTM می‌تواند به طور خودکار ویژگی‌های محلی و ویژگی‌های حافظه بلند در سری‌های زمانی را یاد بگیرد و استخراج کند. همانطور که در شکل 2 توضیح داده شد، اولین ماژول LSTM است که از ویژگی های سری زمانی در داده های یادگیری شبکه عصبی LSTM 3 لایه استفاده می کند. هر لایه LSTM دارای 128 نورون پنهان است، نرخ یادگیری 0. 001، تعداد تکرارها (دوران) روی 200 تنظیم شده است و متعاقباً ویژگی های استخراج شده از آن عبور داده می شود. شبکه عصبی کانولوشنال یادگیری و استخراج ویژگی را انجام می دهد و سپس مکانیزم توجه را در خود جای می دهد. در نهایت، یک شبکه عصبی پس انتشار پنج لایه قیمت های پیش بینی شده را محاسبه می کند. تعداد نورون ها در هر لایه کاملاً متصل به ترتیب 1024، 128، 64، 20 و 1 تنظیم شده است. تابع فعال سازی از تابع Re-Lu استفاده می کند. از آنجایی که شبکه عصبی LSTM می‌تواند ویژگی‌ها را در سطح زمانی ثبت کند، ما از 85 درصد اول مجموعه داده‌ها به عنوان داده‌های مجموعه آموزشی استفاده می‌کنیم، در حالی که مابقی 15 درصد را به عنوان داده‌های مجموعه آزمایشی استفاده می‌کنیم. در مدل شبکه پیش بینی سهام LSTM-CNN-CBAM، نتایج تجربی را می توان با تنظیم مراحل زمانی مختلف برای مقایسه تجربی به دست آورد. قابل مشاهده است که تنظیم مراحل زمانی مختلف می تواند نتایج را به دقت پیش بینی کند. وقتی مرحله زمانی به 5 اختصاص داده می شود، نیازی به در نظر گرفتن فاکتورهای جهانی نیست. بنابراین، نتایج پیش‌بینی دارای انحرافات زیادی هستند و داده‌ها دارای نوسانات خاصی هستند. از سوی دیگر، زمانی که گام زمانی به 30 اختصاص داده می شود، محدوده زمانی در نظر گرفته شده بسیار زیاد است، که منجر به نادیده گرفتن نفوذ افکار عمومی در مدت زمان کوتاه تری می شود. بنابراین، نتیجه پیش بینی نادرست خواهد بود. هنگامی که گام زمانی به 20 اختصاص داده می شود، خطا کوچکترین و دقت بالاترین خواهد بود. بنابراین، ما در نهایت مرحله زمانی را روی 20 تنظیم می کنیم و از داده های 9 ویژگی مربوط به 20 روز گذشته به عنوان لایه ورودی واحد عصبی استفاده می کنیم. قیمت بسته شدن روز بیست و یکم به عنوان برچسب برای آموزش مدل استفاده می شود. در نهایت از مدل LSTM برای پیش بینی قیمت طلا در یک زمان معین استفاده می شود. سپس، نتایج پیش‌بینی LSTM با نتایج SVM برای محاسبه قیمت طلا ترکیب می‌شود. مراحل روش پیشنهادی در الگوریتم 1 ارائه شده است.

4. نتایج تجربی و تجزیه و تحلیل

هنگامی که هم بازار طلا و هم روندهای اقتصادی جهان در دهه گذشته در نظر گرفته می شوند، نمونه هایی را انتخاب می کنیم که توسط شورای جهانی طلا بین سال های 2006 تا 2015 منتشر شده است (شامل شاخص قیمت کالا، شاخص قیمت مصرف کننده، شاخص دلار آمریکا، معاملات آتی نفت خام WTI، داو جونز). شاخص، نرخ تورم، شاخص ارز G5، شاخص مصرف کننده تولید، شاخص مصرف کننده و قیمت طلا). در حالی که نمونه های سال های 2006 تا 2015 به عنوان نمونه های آموزشی مورد استفاده قرار می گیرند، نمونه های سال 2016 به عنوان نمونه های آزمایشی استفاده می شوند. متغیرهای توضیحی شاخص کالا، شاخص قیمت مصرف کننده، شاخص دلار آمریکا، آتی نفت خام WTI، شاخص داو جونز، نرخ تورم، شاخص ارز G5، شاخص تولیدکننده و شاخص مصرف کننده نام دارند. فرض می شود که این ویژگی ها عواملی هستند که بر قیمت طلا تأثیر می گذارند. شکل 3 روند برخی عوامل را نشان می دهد.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.