مقالة بحثية

التنبؤ بأسعار العقود الآجلة للذهب باستخدام نماذج التعلم العميق للمحول مع البيانات المكشطة عبر UiPath

DOI:

10.3791/68903

⸱

سبتمبر 26, 2025

 , 
1VIT-AP University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

طورت الدراسة نموذجا للتعلم العميق للمحول للتنبؤ بدقة بأسعار الذهب باستخدام البيانات التاريخية من 2014 إلى 2024. يحقق النموذج دقة 93٪ ، ويتفوق على الطرق التقليدية من خلال التقاط الاتجاهات والتبعيات المعقدة. يساعد المستثمرين وصانعي السياسات في صنع القرار ويقترح تحسينات مستقبلية باستخدام تحليل المعنويات والعوامل العالمية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد الذهب أحد أكثر السلع قيمة وتداولا على نطاق واسع في جميع أنحاء العالم ، لا سيما في الهند ، ويلعب دورا مهما في الأسواق الاقتصادية والمالية. تاريخيا ، كان الذهب حجر الزاوية في التجارة الدولية والاستقرار الاقتصادي ، حيث تحتفظ البنوك المركزية باحتياطيات لإدارة التضخم والديون الخارجية. يعمل سعر الذهب كمؤشر اقتصادي رئيسي يؤثر على اتجاهات السوق واستراتيجيات الاستثمار. ومع ذلك ، فإن التنبؤ الدقيق بأسعار الذهب يمثل تحديا بسبب الطبيعة المعقدة وغير الخطية للأسواق المالية التي تتأثر بعوامل مختلفة بما في ذلك أسعار الفائدة والركود الاقتصادي وتقلبات أسعار النفط والأحداث الجيوسياسية. تم استخدام نموذج محول الدراسة للتنبؤ بأسعار الذهب اليومية التي تم جمعها من investing.com من خلال تجريف الويب باستخدام UiPath. إنها منصة أتمتة العمليات الروبوتية (RPA) للحفاظ على سلامة البيانات وتحسين أداء النموذج ، وتم تنفيذ عمليات المعالجة المسبقة مثل معالجة البيانات المفقودة وتوسيع نطاق MinMax. تم اختبار النموذج وتدريبه على مقاييس الأداء الرئيسية وحقق متوسط تربيع الخطأ (MSE) 0.0224 ، جذر متوسط تربيع الخطأ (RMSE) 0.1496 ، و R-تربيع 0.93 ، مع دقة تنبؤ عالية. تؤكد نتائج الدراسة أن نموذج المحولات يكتشف بكفاءة تحركات الأسعار قصيرة الأجل واتجاهات السوق طويلة الأجل ، مما يوفر طريقة أكثر دقة ويمكن الاعتماد عليها من طرق التنبؤ التقليدية. توفر الدراسة إرشادات قيمة للمستثمرين والمحللين الماليين وصانعي السياسات في اتخاذ قرارات مستنيرة في سوق سبائك الذهب. يمكن تحسين الأبحاث المستقبلية من خلال إدراج مصادر بيانات بديلة مثل المعنويات من عناوين الأخبار ووسائل التواصل الاجتماعي ، والتي يمكن أن تقدم رؤية أكثر ثراء لتحركات السوق.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الذهب هو أحد أهم السلع في الأسواق المالية ، وهو مورد اقتصادي مهم وأداة للتحكم في الأسعار. يشكل الذهب جزءا كبيرا من احتياطيات البنك المركزي في العديد من البلدان1. في الآونة الأخيرة ، أصبح الذهب أكثر شهرة باسم التحوط من التضخم2. إنه أحد أصول التحوط الرئيسية ويتحسن التنبؤ بالتقلبات باستخدام نماذج التغاير الشرطي غير المتجانسة ذاتية المعممة - أخذ عينات البيانات المختلطة (GARCH-MIDAS) التي تفسر عدم التناسق والتطرف والقفزات3. الهند والصين هما أكبر مستوردي ومستهلكين للذهب يمثلان ما يقرب من 60٪ من الطلب العالمي. أدى الارتفاع المستمر في أسعار الذهب مدفوعا بديناميكيات السوق وعلاقات السلع إلى وضع الذهب كاستثمار مفضل للعوائد المستقبلية4. في الهند ، يكون حجم حيازات الذهب المادية كبيرا حيث غالبا ما تتعامل الأسر مع الذهب كأصل ثقافي وضمان مالي. يؤثر الطلب على الذهب المادي بشكل مباشر على اتجاهات السوق ، مما يؤكد الحاجة إلى النظر في أهميته في توقعات أسعار الذهب 5,6. يبحث المستثمرون باستمرار عن فرص استثمارية تقدم أعلى عوائد بأقل مخاطر. في هذا الصدد ، يعمل الذهب كأصل ملاذ آمن يوفر الأمن المالي أثناء عدم اليقين الاقتصادي. من بين أفضل البدائل الاستثمارية في الهند الأسهم والبنوك والودائع والتأمين والمدخرات البريدية الذهبية وخيارات المدخرات والاستثمار الأخرى7. نظرا لاستقراره ، ينظر إلى الذهب على نطاق واسع على أنه أفضل خيار استثماري بديل من بين خيارات الاستثمار المختلفة وأصل قيم يحمي من التضخم والمخاطر المالية1،8. يتأثر تحديد سعر الذهب بعوامل مثل الطلب على الذهب والعرض والتضخم وأسعار الصرف. تشير نتيجة مفاجئة إلى أن ارتفاع قيمة الدولار يرتبط بزيادة أسعار الذهب التي ربما تكون بسبب استثمارات المضاربة9. من الصعب التنبؤ بسعر الذهب بسبب حركة سعره المتقلبة وغير المتوقعة وغير الخطية التي لا يمكن السيطرة عليها10. لذلك ، يعد التنبؤ الدقيق بأسعار الذهب أمرا بالغ الأهمية للمستثمرين ومديري المحافظ وصانعي السياسات حيث يمكن أن يؤدي التنبؤ المحسن إلى فرص ربح كبيرة11. الاتجاه الحالي لسعر الذهب الذي هو أعلى بأربع مرات مما كان عليه قبل عقدين من الزمن والرغبة في الاحتفاظ بالذهب يجذب المستثمرين للاستثمار في الأصول ذات الصلة12. لذلك ، قبل الاستثمار في الذهب ، يجب على كل مستثمر فهم العوامل الرئيسية التي تؤثر على سعره13. في الصناعة المالية ، تعد القدرة على التنبؤ باتجاه أسعار الذهب أمرا ضروريا ، حتى أن التقدم الطفيف في التنبؤ بالأداء يمكن أن يؤدي إلى أرباح ، والأموال ضرورية لعيش حياة ، والتنبؤ المالي السليم سيدعم التوسع الاقتصادي14.

يستكشف الشكل 1 اتجاهات أسعار الذهب في الهند على مدى فترة زمنية تمتد من 2014 إلى 2024 وكيف تعتمد أسعار الذهب بشكل متزايد على عوامل عالمية مثل مؤشر الدولار وسعر الفائدة على الأموال الفيدرالية ومؤشر أسعار المستهلك (CPI) وسعر الصرف وأسعار النفط و S&P50015. وتشمل العوامل الأخرى دورات الأعمال وأسعار الفائدة الاسمية وأسعار السلع الأساسية وأسعار الصرف وأسعار الأسهم16. ويسلط الضوء على التغيرات الكبيرة في الأسعار والتقلبات في السوق وفترة التوسع المستمر في أسعار الذهب خاصة في السنوات الأخيرة. أظهرت الأسعار تقلبات طفيفة بين عامي 2014 و 2018 ، ومع ذلك ، في عام 2019 لوحظ اتجاه متزايد قوي مع المزيد من تقلبات الأسعار. تم تعزيز مكانة الذهب كأصل ملاذ آمن من خلال الزيادة الكبيرة في عام 2020 ، والتي من المرجح أن تكون ناجمة عن المخاوف بشأن التضخم والاضطرابات الاقتصادية. يتتبع سعر الإغلاق عن كثب سعر الفتح ولكن التقلبات الأكبر خاصة بعد عام 2020 تظهر من خلال الفجوات الأوسع بين الأسعار المرتفعة والمنخفضة. ارتفعت الأسعار بشكل مطرد خلال الإطار الزمني 2023-2024 لتصل إلى أعلى مستوياتها على الإطلاق. يوضح الرسم البياني كيف ارتفع الذهب بمرور الوقت ، مما يجعله أصلا مفيدا للمحللين والمستثمرين.

يعد التنبؤ الدقيق بأسعار الذهب أمرا حيويا لاتخاذ قرارات مستنيرة ولكنه يمثل تحديا بسبب عوامل معقدة مثل الظروف الاقتصادية والجيوسياسية17. غالبا ما تكافح النماذج التقليدية مثل المتوسط المتحرك المتكامل الذاتي (ARIMA) لالتقاط هذه التعقيدات ، مما يحد من دقتها التنبؤية18،19. في محاولة للتغلب على هذه القيود ، أدت التطورات الحديثة في التعلم الآلي والتعلم العميق إلى تحسين دقة التنبؤ المالي بشكل كبير. أظهرت التجارب أن نماذج التعلم العميق مثل شبكات الذاكرة الطويلة قصيرة المدى (LSTM) تعمل بشكل أفضل بكثير من النماذج الإحصائية التقليدية من خلال التقاط العلاقات والاتجاهات المتسلسلة في أسعار الذهب20. تعد نماذج التنبؤ الهجين أحد الاعتبارات الرئيسية في التنبؤ بأسعار الذهب في حساب البيانات الضخمة والاقتصاد21. ومع ذلك ، بغض النظر عن أدائها ، فإن النماذج المتكررة مثل الذاكرة طويلة المدى القصيرة (LSTM) والوحدة المتكررة المسورة (GRU) لها قيود طبيعية مثل اختفاء مشاكل التدرج والتعقيد الحسابي العالي وعدم القدرة على التقاط العلاقات طويلة المدى التي قد تؤثر على كفاءتها في التعامل مع بيانات السلاسل الزمنية المالية واسعة النطاق.

من أجل سد هذه العجز وزيادة دقة نماذج محولات التنبؤ أصبحت الآن خيارا جذابا في التنبؤ بالسلاسل الزمنية ، مقارنة بشبكات LSTM ، تستفيد محولات شبكات LSTM من آليات الاهتمام الذاتي ، مما يجعلها تكتشف بشكل فعال الأنماط طويلة الأجل والتذبذبات قصيرة المدى في البيانات المالية والمعالجة المتوازية لتحسين قابلية التوسع. تتمتع المحولات بإمكانيات كبيرة لتحسين دقة التنبؤ بأسعار الذهب نظرا لفعاليتها في التنبؤ بالأسواق المالية. تهدف هذه الدراسة إلى تطوير نموذج محول للتنبؤ بأسعار الذهب باستخدام أسعار الذهب السابقة والبيانات الاقتصادية الرئيسية التي توفر نهجا أكثر قوة للتنبؤ بالذهب.

توقعت الدراسات السابقة سعر الذهب باستخدام العديد من التقنيات مثل الشبكات العصبية والخوارزميات والتعلم الآلي والتعلم العميق والذكاء الاصطناعي. فيما يلي بعض الدراسات المتعلقة بتوقع أسعار الذهب:

برز انحدار العملية الغاوسية (GPR) كأداة قوية للتنبؤ بأسعار المعادن مع تطبيقات في الصلب والنحاس والمعادن الثمينة مما يسلط الضوء على فعاليته في التعامل مع البيانات المالية عالية الأبعاد وتحسين النماذج من خلال طرق بايزي للتنبؤ بسعر الذهب بشكل أكثر دقة RMSE البالغ 0.8722. تقدم الدراسة نموذجا هجينا جديدا يجمع بين الشبكة العصبية القائمة على النواة التلافيفية العشوائية (RCK) مع عدم التجانس الشرطي الذاتي المعمم (GARCH) للتنبؤ بتقلبات الذهب والفضة والبلاتين. دقة الطريقة المقترحة أعلى بنسبة 53٪ من دقة نموذج GARCH-LSTM23. استخدمت الدراسة نماذج ARIMA و Holt-Winters للتنبؤ بأسعار الذهب المستقبلية ومعدلات التضخم في الهند والولايات المتحدة من خلال النظر في مؤشر أسعار المستهلك (CPI). يعتبر الذهب تحوطا جيدا ضد التضخم لكل من المستثمرين الهنود والولايات المتحدة24. تقارن الدراسة بين نماذج التعلم العميق والتعلم الآلي لتحليل علاقة البيتكوين بالعوامل العالمية مثل الذهب والنفط ومؤشر الدولار الأمريكي (DXY) وأسعار الفائدة. يتفوق محول الانصهار الزمني (TFT) على الآخرين ، حيث يسلط الضوء على الذهب و DXY كمؤثرين رئيسيين وسط الأحداث واللوائح العالمية25. علاوة على ذلك، تستعرض الدراسة بشكل منهجي العوامل المؤثرة على أسعار العقود الآجلة للذهب مثل معدل التضخم وسعر الفائدة وسعر النفط الخام ومؤشر الدولار الأمريكي بثلاث طرق رئيسية للتنبؤ: نماذج السلاسل الزمنية التقليدية (ARIMA GARCH، ARDL)، والنماذج الهجينة (MS-MIDAS-CJ، VMD-ICSS-BiGRU) وطرق التعلم العميق (SGRU-AM) DBN)26. تتمتع معماريات المحولات بإمكانيات قوية في التنبؤ بالسلاسل الزمنية طويلة الأجل من خلال التقاط التبعيات بعيدة المدى بشكل فعال والتفوق على النماذج التقليدية القائمة على الشبكة العصبية المتكررة(RNN) 27. استكشفت الدراسة العلاقة بين أسعار الذهب والمحددات الرئيسية مثل أسواق الأسهم والنفط الخام وأسعار الصرف والتضخم وأسعار الفائدة. يستخدم خوارزميات التعلم الآلي ، حيث يجد أن الانحدار المعزز للتدرج أكثر دقة من الانحدار العشوائي للغابات في التنبؤ بأسعار الذهب14. استخدمت الدراسة نموذج تأخر التوزيع الانحدار الذاتي (ARDL) للتنبؤ بأسعار الذهب السنوية باستخدام أسعار أذون الخزانة والطلب على الذهب وأسعار الذهب المتأخرة كمتغيراتمشتركة 28. يوضح نموذج الشبكة العصبية التلافيفية - الذاكرة قصيرة المدى الطويلة (CNN-LSTM) المقترح للتنبؤ بأسعار الذهب أداء فائقا مقارنة بالطرق التقليدية ذات قيم MAE و RMSE المنخفضة. إن دمج الطبقات التلافيفية في بنية LSTM يعزز قدرتها على التقاط كل من الأنماط قصيرة المدى والتبعيات طويلة الأجل في البيانات29.

يتم توقع أسعار الذهب المستقبلية من أربع سلع: البيانات التاريخية لأسعار الذهب وأسعار الفضة وأسعار النفط الخام ومؤشر ستاندرد آند بورز 500 (S&P500) وسعر صرف العملات الأجنبية باستخدام نموذج آلة التعلم الشديد (ELM) بدقة 91.67٪4. تم استخدام نموذج الشبكة العصبية متعدد الطبقات Perceptron (MLP) للتنبؤ بتقلبات أسعار الأسهم وأسعار الذهب بناء على بيانات من بورصة طهران للأوراق المالية (TSE). أشارت النتيجة إلى أن الشبكة العصبية الاصطناعية تفوقت على نماذج التنبؤ التقليدية من حيث دقة التنبؤ30. قارنت الدراسة LSTM مع نماذج الانحدار الخطي واكتشفت أن الانحدار الخطي حقق معدل دقة أعلى بشكل هامشي بنسبة 53.02٪ في التنبؤ بالتقلبات اليومية لأسعار الذهب. يشير هذا إلى أنه حتى النماذج الأبسط يمكن أن تكون فعالة في التنبؤ بتحركات أسعار الذهب ، مما يسلط الضوء على أهمية فهم العلاقات بين أسعار الذهبوالعوامل الاقتصادية الأوسع نطاقا. أظهرت النتائج التجريبية لدراسة التنبؤ بأسعار الذهب أن خوارزمية مستعمرة النحل الاصطناعية المحسنة (ABC) تتفوق على نهج ABC التقليدي في التنبؤ بأسعار الذهب باستخدام الشبكات العصبية المويجية32.

تم اقتراح العديد من النماذج التنبؤية المتقدمة للتنبؤ بالذهب والأسواق المالية. طورت إحدى الدراسات نموذجا للتنبؤ بأسعار الذهب باستخدام نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) مع أسعار الذهب السابقة كمدخلات. تنبأ النموذج بدقة بأسعار الذهب في اليوم التالي بأداء طرازي ARIMA و CNN من حيث RMSE. كما تجاوزت أداء كل من استراتيجيتي الشراء والاحتفاظ من خلال تحقيق عوائد أعلى بكثير على الاستثمار مما يدل على إمكانات قوية لتوقعات أسعار الذهب33. قامت دراسة أخرى بدمج ELM مع نظام الاستدلال الضبابي (FIS) واستخدمت تقنية تحسين خوارزمية البحث الكمي المتقاطعة الفوضوية (CQCSA). يظهر هذا النموذج الهجين أداء فائقا في التنبؤ بأسعار الذهب والنفط34. استخدم البحث نماذج مختلفة للتعلم الآلي في التنبؤ بالأسواق المالية خلال فترة COVID-19 حيث تجاوزت LSTMs المكدسة من الفانيليا الأساليب الأخرى في التنبؤ بالسلاسل الزمنية. أكدت النتائج على أهمية دمج المتغيرات غير الاقتصادية جنبا إلى جنب مع البيانات المالية التاريخية لتوقعات السوق قصيرة الأجل35. استكشفت الدراسة نماذج جماعية للتنبؤ بتحركات أسعار أسهم الذهب والفضة. حققت هذه الأساليب معدلات دقة ملحوظة بلغت 85٪ للذهب و 79٪ للفضة مما يشير إلى قدرتها على التقاط ديناميكيات السوق المعقدة36. في دراسة أخرى تركز على معماريات التعلم العميق للتنبؤ بأسعار الذهب ، تفوق نموذج الذاكرة طويلة المدى الطويلة ثنائية الاتجاه (BiLSTM) على LSTMs القياسية من خلال تحقيق قيم أعلى R2 و MAE أقل و RMSE. من خلال التقاط الأنماط الزمنية بشكل فعال من البيانات التاريخية الطبيعية ، أظهر BiLSTM قدرته على تعزيز دقة التوقعات المالية37.

لطالما شكل التنبؤ الدقيق بأسعار الذهب تحديا كبيرا للمستثمرين والمحللين وصانعي السياسات بسبب الطبيعة المتقلبة وغير الخطية والمتعددة العوامل للأسواق المالية10. أظهرت النماذج الإحصائية التقليدية مثل ARIMA والنهج القائمة على الانحدار قيودا في التقاط العلاقات المعقدة والديناميكية المتأصلة في تحركات أسعار الذهب لا سيما تحت تأثير مؤشرات الاقتصاد الكلي والتوترات الجيوسياسية والتحولات المالية العالمية19. في حين أن ARIMA والنماذج المماثلة مفيدة للتنبؤ الخطي قصير المدى ، إلا أنها تفتقر إلى القدرة على التقاط اللاخطية والفواصل الهيكلية والتبعيات طويلة الأجل18،38. على الرغم من أن نماذج التعلم العميق مثل LSTM و GRU قد حسنت أداء التنبؤ من خلال تعلم الأنماط المتسلسلة20. لا تزال هذه النماذج تعاني من قيود جوهرية مثل تلاشي التدرجات وصعوبات في نمذجة التبعيات طويلة الأجل في بيانات السلاسل الزمنية29. علاوة على ذلك ، بينما تم استكشاف النماذج الهجينة والجماعية ، فإنها غالبا ما تكافح مع قابلية التوسع والكفاءة الحسابية في مجموعات البيانات المالية واسعة النطاق23. الذهب ، الذي يستخدم بشكل متزايد كتحوط ضد التضخم وعدم اليقين الاقتصادي ، خاصة في بلدان مثل الهند ، حيث يحمل أهمية ثقافية ومالية كبيرة ، أصبح الطلب على نماذج تنبؤية قوية وعالية الدقةأمرا بالغ الأهمية. أظهرت الابتكارات الحديثة في التعلم العميق ، ولا سيما بنية المحولات المعروفة بآلية الاهتمام الذاتي ، نتائج واعدة في مهام التنبؤ بالسلاسل الزمنية عبر المجالات المالية17. ومع ذلك ، تفتقر الأدبيات الحالية إلى تحقيق شامل لنماذج المحولات خصيصا للتنبؤ بأسعار الذهب باستخدام مجموعات البيانات التاريخية طويلة الأجل المخصبة بمؤشرات اقتصادية متنوعة. ركزت معظم الدراسات السابقة إما على التنبؤ على المدى القصير أو استخدمت مدخلات بيانات محدودة ، متجاهلة الإمكانات الكاملة لنماذج المحولات في التقاط اتجاهات السوق على المدى القصير والطويل31.

لذلك ، تعالج هذه الدراسة فجوة البحث الحرجة من خلال اقتراح وتقييم نموذج التعلم العميق للمحول تم تدريبه على بيانات أسعار الذهب التاريخية لعقد من الزمن (2014-2024) التي تم جمعها من خلال طريقة تجريف الويب الآلية والقابلة للتكرار باستخدام UiPath. يهدف النموذج إلى تعزيز دقة التنبؤ التي تتفوق على النماذج الحالية مثل LSTM و CNN-LSTM والانحدار. يوفر أداة موثوقة للمستثمرين وصانعي السياسات في اتخاذ قرارات مستنيرة في ظل عدم اليقين في السوق22.

أدت الزيادة التي لا يمكن إيقافها في أسعار الذهب إلى زيادة الحاجة إلى التنبؤ الذي أصبح أكثر أهمية من أي وقت مضى للمستثمرين والمحللين الماليين وصانعي السياسات. يتم تقييم الذهب على نطاق واسع كأصول ملاذ آمن ويلعب دورا رئيسيا في استراتيجيات الاستثمار خاصة في بلدان مثل الهند حيث يحمل أهمية اقتصادية وثقافية. في سوق متقلب بشكل متزايد وبيئة عدم اليقين العالمية ، تعد التنبؤات الموثوقة ضرورية لتعظيم العوائد وإدارة المخاطر واتخاذ قرارات مالية سليمة. تم تصميم الدراسة لتطوير نموذج دقيق وفعال للتنبؤ بأسعار الذهب يتماشى مع تعقيدات الأسواق المالية اليوم.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

منهجية هذا البحث هي عملية منهجية مصممة لتطوير نموذج محول للتنبؤ بأسعار الذهب. جمع البيانات هو الخطوة الأولى حيث يتم جمع بيانات أسعار الذهب التاريخية والمؤشرات المالية ذات الصلة لتشكيل مجموعة بيانات شاملة. تخضع مجموعة البيانات للمعالجة المسبقة للبيانات وتطوير النموذج والتقييم ومقاييس الأداء وأخيرا التنبؤ بأسعار الذهب مع شرح مفصل في الأقسام اللاحقة.

جمع البيانات وموثوقيتها:
تم جمع بيانات أسعار الذهب التاريخية لهذه الدراسة باستخدام عملية آلية تم تطويرها على منصة UiPath Robotic Process Automation (RPA). تم الحصول على مجموعة البيانات من Investing.com منصة مالية مستخدمة على نطاق واسع وذات سمعة طيبة معروفة ببيانات السلع والسوق المنظمة والدقيقة39. تضمنت القيم اليومية للتاريخ والفتح والمرتفع والمنخفض والإغلاق والحجم والنسبة المئوية للتغير تغطي الفترة من 1 يناير 2014 إلى 31 ديسمبر 2024 (الجدول التكميلي 1). تمت برمجة الأتمتة للانتقال إلى صفحة البيانات التاريخية ذات الصلة وتحديد نطاق التاريخ المحدد وتصدير مجموعة البيانات إلى Excel. لتحسين الاستقرار وسرعة التنفيذ ، تجنبت العملية واجهة منتقي التقويم وقامت بدمج إجراءات التحقق من الصحة والتأخيرات الزمنية والفحوصات المشروطة لاستيعاب اختلافات صفحات الويب. سمح هذا النهج باستخراج البيانات بكفاءة وتكرار ودقة دون الحاجة إلى تدخل يدوي.

لضمان سلامة البيانات وموثوقيتها ، تم تضمين خطوات التحقق من الصحة المتعددة مثل وجود عنصر UiPath ، والفحوصات الشرطية ، والتأخير للتحكم في تحميل الصفحات الديناميكية لضمان سلامة البيانات وموثوقيتها. يمكن أن يكون تجريف الويب من مصادر خارجية طريقة قيمة للحصول على مجموعات بيانات كبيرة بكفاءة. ومع ذلك، قد يمثل أيضا تحديات مثل تنسيقات البيانات غير المتسقة أو التغييرات في بنية صفحة الويب أو الاختلافات في توفر البيانات بمرور الوقت. تحتوي أداة الكشط على إجراءات معالجة الأخطاء وخضعت لاختبارات الموثوقية الدورية لتقليل هذه المخاطر. للتأكد من صحتها ، تم التحقق من البيانات المستردة بشكل عشوائي مع معلومات من مصادر أخرى ، مثل Yahoo Finance. أثناء المعالجة المسبقة ، تم استخدام التعبئة الآجلة والاستيفاء لإدارة أيام التداول والسجلات المفقودة. توفر هذه الطريقة طريقة قوية وفعالة لإنتاج مجموعة بيانات جديرة بالثقة ومناسبة لنماذج التعلم العميق.

المعالجة المسبقة للبيانات:
في هذه الدراسة ، تم تحميل مجموعة بيانات أسعار الذهب لأول مرة في إطار بيانات الباندا لإنشاء مجموعة بيانات جدولية للتحليل وفحصها باستخدام طرق مثل المعلومات والوصف والفريد لتقييم أنواع البيانات والتوزيعات الإحصائية وعدد القيم الفريدة في كل عمود. ثم تم فرز مجموعة البيانات بترتيب تصاعدي بناء على فهرسها ، مما يضمن الترتيب الزمني لتحليل السلاسل الزمنية. تم تحديد القيم المفقودة والقضاء عليها باستخدام dropna وتم اكتشاف الإدخالات المكررة باستخدام الطريقة المكررة وإزالتها لاحقا باستخدام drop_duplicates للحفاظ على سلامة البيانات. تم توحيد أسماء الأعمدة من أجل الاتساق عن طريق إعادة تسمية متغيرات مثل السعر إلى الإغلاق ، والحجم إلى الحجم ، والتغيير ٪ إلى التغيير ، وبالتالي تسهيل الوضوح في مزيد من التحليل. من خلال هذه الخطوات ، تم تنظيف مجموعة البيانات وتنظيمها وإعدادها لدعم النمذجة والتفسير اللاحق الدقيق والموثوق.

تطوير النموذج:
يعتمد نموذج المحول على آليات الاهتمام الذاتي بدلا من التكرار أو الالتواء مما يتيح نمذجة التسلسل الفعالة. في سياق التنبؤ بالسلاسل الزمنية ، مثل التنبؤ بأسعار الذهب ، يمكن لهذه البنية التقاط التبعيات بعيدة المدى بشكل فعال40. ومن ثم ، يتم استخدام نموذج المحول في الشكل 2 للتنبؤ بأسعار الذهب من خلال الاستفادة من تقنيات التعلم العميق المتقدمة لتحليل اتجاهات الأسعار التاريخية. بعد المعالجة المسبقة للبيانات ، تمر بيانات الإدخال أولا عبر طبقة تضمين ، مما يحول المعالم العددية إلى تمثيلات متجهة كثيفة ، مما يجعل البيانات أكثر أهمية للتحليل. يتم تطبيق الترميز الموضعي للاحتفاظ بالمعلومات الزمنية. تحتوي كل كتلة تشفير على آلية انتباه متعددة الرؤوس مع 4 رؤوس انتباه متبوعة بشبكة عصبية للتغذية الأمامية. يستخدم كل رأس انتباه انتباه المنتج النقطي المتدرج للتركيز على نقاط البيانات التاريخية ذات الصلة. يحتوي النموذج على أربع طبقات من التشفير لكل منها حجم طبقة داخلية للتغذية إلى الأمام يبلغ 512 وأبعادها (d_model) 128. يتبع كل طبقة فرعية تنظيم التسرب بمعدل 0.1 لتجنب الإفراط في التركيب. الاستخدام المستمر للوصلات المتبقية وتطبيع الطبقة يعمل على استقرار التدريب وتعزيز التقارب. أحد المكونات الرئيسية للنموذج هو آلية الانتباه التي تحدد وتحدد أولويات نقاط البيانات السابقة الأكثر صلة بدلا من التعامل مع جميع القيم التاريخية على قدم المساواة. هذا يسمح للنموذج بالتقاط الأنماط والتبعيات المهمة في تحركات أسعار الذهب. ثم يتم تمرير المعلومات المعالجة من خلال طبقة الشبكة العصبية التي تعمل على تحسين الأنماط والعلاقات لتعزيز دقة التنبؤ. بالإضافة إلى ذلك ، يشتمل النموذج على طبقات محولات مكدسة متعددة تعزز قدرته على تعلم الاتجاهات المعقدة وتحسين الأداء التنبؤي. أخيرا ، يتم تقييم دقة النموذج باستخدام مقاييس الأداء مثل متوسط الخطأ التربيعي (MSE) ، جذر متوسط تربيع الخطأ (RMSE) و R-squared (R2). يلتقط نهج المحولات هذا بكفاءة كل من التبعيات قصيرة وطويلة الأجل في بيانات السلاسل الزمنية المالية مما يجعله فعالا للغاية للتنبؤ الدقيق بأسعار الذهب.

لتطبيع ميزات الإدخال ، تم تطبيق الحد الأدنى والحد الأقصى للقياس كما هو موضح في المعادلة التالية.

لنفترض أن x تكون قيمة ميزة ، و xmin و xmax هي الحد الأدنى والحد الأقصى للميزة41.

figure-protocol-1

x: القيمة الأصلية (سعر الذهب اليوم).
Xدقيقة ، Xدقيقة: الحد الأدنى والحد الأقصى لفترة التدريب لهذه الميزة.
[أ ، ب] ؛ النطاق المستهدف (عادة [0 ، 1] ؛ أحيانا [-1 ، 1]).

جوهر جهاز تشفير المحول هو آلية انتباه المنتج النقطي40 المحكوم عليها والتي تعرف على النحو التالي:

متوسط الخطأ التربيعي (MSE)
تم تدريب النموذج على تقليل متوسط الخطأ التربيعي (MSE) بين القيم المتوقعة والفعلية42.

MSE = figure-protocol-2

جذر متوسط تربيع الخطأ (RMSE)
تم تقييم الأداء باستخدام جذر متوسط تربيع الخطأ (RMSE)43 ، محسوبا على النحو التالي

RMSE = figure-protocol-3

التدريب والتحقق من الصحة
يتم تقسيم مجموعة البيانات إلى ثلاث مجموعات فرعية مع تخصيص 80٪ للتدريب و 10٪ للاختبار و 10٪ للتحقق من الصحة. تم تحسين النموذج باستخدام محسن آدم44 بحجم دفعة 64 ومعدل تعلم 0.001. لمنع الإفراط في التجهيز ، يتم إجراء التدريب على مدى 50 حقبة مع التوقف المبكر بناء على فقدان التحقق من الصحة. يعمل متوسط الخطأ التربيعي (MSE) كدالة خسارة. المخرجات المستهدفة هي القيمة عند t + 30 ويتم إنشاء مدخلات التسلسل من خلال نافذة مراجعة مدتها 30 يوما (L = 30). عند الحاجة ، يتم تطبيق الحشو والإخفاء للحفاظ على أطوال تسلسل ثابتة. تم استخدام TenSorFlow45 لتنفيذ النموذج لضمان قابليته للتوسع وقابليته للتكرار. يتم دعم قابلية التكاثر من خلال هذه المواصفات الشاملة التي تعمل أيضا على تحسين فهم تكيف بنية المحولات للتنبؤ المالي.

اختبار
يتم إجراء التقييم النهائي لنموذج المحول باستخدام مجموعة بيانات الاختبار التي تضم 10٪ المتبقية من إجمالي البيانات. تتم مقارنة أسعار الذهب المتوقعة بالقيم الفعلية ويتم حساب مقاييس الأداء لقياس دقة التنبؤ.

تقييم النموذج
تم تقييم الأداء التنبؤي للنموذج باستخدام المقاييس الإحصائية الرئيسية مثل متوسط الخطأ التربيعي (MSE) وجذر متوسط تربيع الخطأ (RMSE) وR-squared (R2). يتم عرض النتائج في القسم التالي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في تحليل الدراسة ، تم تقييم مقاييس الأداء من خلال البيانات التاريخية ، وتم استخدام هذه المقاييس لإعطاء صورة شاملة لمدى جودة نموذج المحولات في تنبؤ أسعار الذهب المستقبلية.

في الشكل 3 ، يقدم مخطط شموع سعر الذهب تمثيلا مرئيا شاملا لتقلبات الأسعار ، مع التركيز على الأنماط المهمة وتصحيحات السوق والفترات المستقرة عبر الوقت. لتسهيل متابعة تحركات السوق ، تمثل كل شمعة فترة تداول مميزة ، تشير الشموع الحمراء إلى الخسائر ، بينما تظهر الشموع الخضراء مكاسب الأسعار. ظلت أسعار ال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اقترحت الدراسة الحالية نموذجا للتعلم العميق للمحول يستخدم البيانات التي تم تجريدها بواسطة UiPath ، وهي منصة آلية تضمن الاستحواذ المنظم والمنظم على البيانات المالية في الوقت المناسب للتنبؤ بأسعار العقود الآجلة للذهب بدقة وموثوقية محسنة. يشتمل النموذج على بيانات عن سعر الذهب مع مؤشرات فنية مهمة مثل مقاييس الحجم والمتوسطات المتحركة لمدة 30 يوما و 100 يوم والاتجاهات والتنبؤ بأسعار الذهب وأنماط الشموع اليابانية. يتفوق نموذج المحول على النماذج التقليدية مثل LSTM و CNN-LSTM والانحدار الخطي ، وي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح في هذا العمل البحثي.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذا البحث من قبل جامعة VIT-AP ، أمارافاتي ، الهند.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مصدر البياناتInvesting.comhttps://in.investing.com/commodities/gold-historical-dataInvesting.com عبارة عن منصة سوق مالية توفر أسعار السوق ومعلومات حول الأسهم والعقود الآجلة وما إلى ذلك.  
نموذج المحولات (Python المنفذة في Google Colab)جوجلhttps://colab.research.google.com/تم تطوير كود مصدر python لتحليل البيانات لاستخراج رؤى من البيانات ، وتم تنفيذ هذا الرمز على بيئة Google Colab الافتراضية هذه
أتمتة العمليات الروبوتية UiPath UiPath، Inc.https://www.uipath.comلاستخراج البيانات من المصدر ، وتم تنفيذ الكود على هذا النظام الأساسي UiPath Studio.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41 (2), 257-266 (2015).
  2. Oloko, T. F., Ogbonna, A. E., Adedeji, A. A., Lakhani, N. Oil price shocks and inflation rate persistence: A fractional cointegration VAR approach. Econ Anal Policy. 70, 259-275 (2021).
  3. Li, X., et al. Forecasting regular and extreme gold price volatility: The roles of asymmetry, extreme event, and jump. J Forecast. 40 (8), 1501-1523 (2021).
  4. Kumar, C. S., Mahendran, S. Forecasting gold price based on extreme learning machine. Int J Comput Commun Control. 11 (3), 372(2016).
  5. India gold market insights: Gold demand trends. , World Gold Council. https://www.gold.org/goldhub/research (2023).
  6. Baur, D. G., Lucey, B. M. Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financ Rev. 45 (2), 217-229 (2010).
  7. Dhawan, S. Top 10 investment options. The Economic Times. , https://economictimes.indiatimes.com/wealth/invest/top-10-investment-options/articleshow/64066079.cms (2022).
  8. Reboredo, J. C. Is gold a safe haven or a hedge for the US dollar? Implications for risk management. J Bank Financ. 37 (8), 2665-2676 (2013).
  9. Farhat, S., Ghalayini, L. Modeling and forecasting gold price s. Research Square. , (2020).
  10. Salim, M., Djunaidy, A. Development of a CNN-LSTM approach with images as time-series data representation for predicting gold prices. Procedia Comput Sci. 234, 333-340 (2024).
  11. Gold price forecasting and related influence factors analysis based on random forest. Liu, D., Li, Z. Proc 10th Int Conf Manag Sci Eng Manag, 59, 711-723 (2017).
  12. Marchiv, D. e, Lee, J., Gereffi, G. Globalization, recession and the internationalization of industrial districts: Experiences from the Italian gold jewellery industry. Eur Plan Stud. 22 (4), 866-884 (2014).
  13. Mestre, R. A wavelet approach of investing behaviors and their effects on risk exposures. Financ Innov. 24 (1), 1-37 (2021).
  14. Gold price prediction using random forest algorithm. Landge, U., Phokmare, U., Borane, N., Shelke, P. Proceedings of the 3rd International Conference on Applied Artificial Intelligence and Computing (ICAAIC), , (2024).
  15. Ho, T. T., Vo, T. N. Factors affecting the disparity of Vietnamese gold prices and worldwide gold prices. J Compet. 11 (3), 160-172 (2019).
  16. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41, 257-266 (2025).
  17. Cohen, G., Aiche, A. Forecasting gold price using machine learning methodologies. Chaos Solitons Fractals. 175 (3), 114-179 (2023).
  18. Bandyopadhyay, G. Gold price forecasting using ARIMA model. J Adv Manag Sci. 4 (2), (2026).
  19. Prediction of gold price with ARIMA and SVM. Makala, D., Li, Z. J Phys Conf Ser, 1767 (1), 012-022 (2021).
  20. Prediction of gold price using deep learning. Dhanush, N., et al. IEEE 9th Region 10 Humanitarian Technology Conference (R10-HTC), , IEEE. (2021).
  21. Guo, Y., Li, C., Wang, X., Duan, Y. Gold price prediction using two-layer decomposition and XGBoost optimized by the whale optimization algorithm. Comput Econ. 66, 1157-1189 (2024).
  22. Jin, B., Xu, X. Machine learning gold price forecasting. J Manag Sci Eng Manag. 20 (2), 273-285 (2025).
  23. Sai, S., Giri, A. K., Chamola, V. A novel hybrid random convolutional kernels model for price volatility forecasting of precious metals. Expert Syst. 42 (2), e13738(2025).
  24. Khetan, M. Forecasting gold price and inflation for India and US: An analysis of ARIMA and Holt Winters models. XXXI (2), 255-268 (2024).
  25. Köse, N., Gür, Y. E., Ünal, E. Deep learning and machine learning insights into the global economic drivers of the bitcoin price. J Forecast. 44 (5), 1666-1698 (2025).
  26. He, T. Gold futures price forecast based on artificial intelligence. Advances in Economics, Management and Political Sciences. 174 (1), 27-33 (2025).
  27. Informer: Beyond efficient transformer for long sequence time-series forecasting. Zhou, H., et al. Thirty-Fifth AAAI Conf Artif Intell, , 11106-11115 (2021).
  28. Madziwa, L., Pillalamarry, M., Chatterjee, S. Gold price forecasting using multivariate stochastic model. Resour Policy. 76, 102-544 (2022).
  29. Livieris, I. E., Pintelas, E., Pintelas, P. A CNN-LSTM model for gold price time-series forecasting. Neural Comput Appl. 32 (23), 17351-17360 (2020).
  30. Ghezelbash, A. Predicting changes in stock index and gold prices to neural network approach. J Math Comput Sci. 4 (2), 227-236 (2012).
  31. Research on gold price forecasting based on LSTM and linear regression. Gong, W. SHS Web Conf, 181, 020-105 (2024).
  32. Li, B. Research on WNN modeling for gold price forecasting based on improved artificial bee colony algorithm. Comput Intell Neurosci. 2014, 270658(2014).
  33. Makridou, G., et al. Gold price forecasting with a neuro-fuzzy-based inference system. Int J Financ Eng Risk Manag. 1 (1), 35-54 (2013).
  34. Das, S., Sahu, T. P., Janghel, R. R. Oil and gold price prediction using optimized fuzzy inference system based extreme learning machine. Resour Policy. 79, 103-109 (2022).
  35. Mohtasham Khani, M., Vahidnia, S., Abbasi, A. A deep learning-based method for forecasting gold price with respect to pandemics. SN Comput Sci. 2 (4), 1-12 (2021).
  36. Prediction of gold and silver stock price using ensemble models. Mahato, P. K., Attar, V. IEEE Int Conf Adv Eng Technol Res (ICAETR), , (2014).
  37. Zangana, H. M. Deep learning-based gold price prediction: A novel approach using time series analysis. J Sist Inf. 13 (6), 1-12 (2024).
  38. Zhang, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 50, 159-175 (2003).
  39. Bitcoin price prediction using machine learning. Bandlamuri, R., et al. AIP Conf Proc, 2869 (1), 1-9 (2023).
  40. Attention is all you need. Vaswani, A., et al. Proc 31st Conf Neural Inf Process Syst (NeurIPS), , (2017).
  41. Jain, A., Zongker, D. Feature selection: Evaluation, application, and small sample performance. IEEE Trans Pattern Anal Mach Intell. 19 (2), 153-158 (1997).
  42. Chai, T., Draxler, R. R. Root mean square error (RMSE) or mean absolute error (MAE)? - Arguments against avoiding RMSE in the literature. Geosci Model Dev. 7 (3), 1247-1250 (2014).
  43. Willmott, C., Matsuura, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim Res. 30, 79-82 (2025).
  44. Adam: A method for stochastic optimization. Kingma, D. P., Ba, J. L. 3rd Int Conf Learn Represent (ICLR), , (2015).
  45. Abadi, D., et al. TensorFlow: A system for large-scale machine learning. ArXiV. , (2016).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

UiPath

مقالات ذات صلة