使用通过UiPath抓取的数据和Transformer深度学习模型预测黄金期货价格

摘要

该研究开发了一种基于Transformer的深度学习模型，利用2014年至2024年的历史数据准确预测黄金价格。该模型准确率达到93%，通过捕捉复杂趋势和依赖关系，优于传统方法。该模型有助于投资者和政策制定者进行决策，并建议未来结合情感分析和全球因素进一步优化模型性能。

摘要

黄金是全球最具价值且交易最广泛的大宗商品之一，尤其在印度，它在经济和金融市场中发挥着重要作用。历史上，黄金一直是国际贸易和经济稳定的重要基石，各国央行通过持有黄金储备来应对通货膨胀和外债问题。黄金价格作为关键的经济指标，影响着市场趋势和投资策略。然而，由于金融市场的复杂性和非线性特征，准确预测黄金价格具有挑战性，其价格受到利率、经济衰退、油价波动以及地缘政治事件等多种因素的影响。本研究采用Transformer模型来预测每日黄金价格，数据通过使用UiPath从investing.com网站爬取获得。UiPath是一种机器人流程自动化（RPA）平台，用于保障数据完整性并提升模型性能。为提高数据质量，进行了缺失数据处理和MinMax归一化等预处理操作。该模型在关键性能指标上进行了训练与测试，最终达到均方误差（MSE）0.0224、均方根误差（RMSE）0.1496、决定系数（R-squared）0.93的优异表现，具备较高的预测精度。研究结果表明，Transformer模型能够有效识别短期价格波动和长期市场趋势，相比传统预测方法更具准确性与可靠性。本研究为投资者、金融分析师和政策制定者在黄金现货市场中做出科学决策提供了有价值的参考。未来的研究可通过引入新闻标题和社会媒体情绪等替代数据源，进一步提升模型性能，从而更深入地洞察市场动态。

引言

黄金是金融市场中最重要的商品之一，是一种关键的经济资源和价格调控工具。在许多国家，黄金构成了中央银行储备的重要组成部分¹。近年来，黄金作为对冲通货膨胀的工具而日益受到关注²。它是一种关键的避险资产，利用能够考虑非对称性、极端值和跳跃现象的广义自回归条件异方差-混合数据抽样（GARCH-MIDAS）模型，可提高其波动性预测的准确性³。印度和中国是全球最大的黄金进口国和消费国，占全球需求的约60%。在市场动态和商品关联关系的推动下，黄金价格持续上涨，使其成为追求未来回报的首选投资品⁴。在印度，居民持有的实物黄金数量巨大，家庭通常将黄金视为一种文化资产和财务保障手段。其对实物黄金的需求直接影响市场趋势，凸显了在黄金价格预测中考虑其相关性的重要性^5，6。投资者始终在寻求能够以最低风险获得最高回报的投资机会。在此背景下，黄金作为一种避险资产，在经济不确定性时期提供了财务安全保障。在印度，主要的投资选择包括股票、银行、存款、保险、黄金邮政储蓄以及其他储蓄和投资选项⁷。鉴于其稳定性，黄金被广泛认为是各类投资选项中最优的替代投资方式，是一种能够抵御通货膨胀和金融风险的宝贵资产

方案

本研究的方法论是一个系统化流程，旨在开发一种用于黄金价格预测的Transformer模型。数据收集是第一步，通过收集历史黄金价格数据及相关金融指标，构建一个全面的数据集。随后，数据集将经过数据预处理、模型开发、评估、性能指标分析，最终实现黄金价格预测，后续章节将对此进行详细说明。

数据收集与可靠性：
本研究中使用 UiPath 机器人流程自动化（RPA）平台开发的自动化流程收集历史黄金价格数据。数据集来源于 Investing.com，这是一个广泛使用且备受认可的金融平台，以其结构化和准确的大宗商品及市场数据而著称³⁹。数据集包含从 2014 年 1 月 1 日至 2024 年 12 月 31 日的每日数据，字段包括日期、开盘价、最高价、最低价、收盘价、成交量和涨跌幅（补充表 1）。自动化程序被设定为自动访问相关的历史数据页面，指定预设的日期范围，并将数据集导出为 Excel 文件。为提高稳定性和执行速度，该流程避免使用日历选择器界面，并集成了验证程序、时间延迟和条件检查机制，以适应网页结构的变化。该方法实现了高效、可重复且准确的数据提取，无需人工干预。

为确保数据的完整性与可靠性，已引入多重验证步骤，例如 UiPath 的“元素是否存在”（Element Exists）、条件检查以及用于控制动态页....

结果

在研究中，通过历史数据评估了分析性能指标，这些指标用于全面反映变压器模型对未来黄金价格预测的准确性。

在图3中，黄金价格K线图全面直观地展示了价格波动，突出了不同时期的重要走势模式、市场回调以及价格稳定区间。为便于跟踪市场动向，每根K线代表一个独立的交易周期：红色K线表示价格下跌，绿色K线则表示价格上涨。2014年至2018年间，黄金价格基本保持稳定，波动极小，K线体短小，表明市场波动性较低。但从2018年开始，图表显示出更高的波动性，影线更长、K线实体更大，反映出交易活动增加以及投资者兴趣上升。2019年起呈现明显的上升趋势，并在2020年左右出现显著的价格飙升，这可能归因于地缘政治事件、通货膨胀问题以及全球经济困境。在此期间连续出现的绿色K线表明强劲的上涨动力，以及市场对黄金作为避险投资需求的持续增长。尽管在2021年至2024年间出现了零星的市场回调，红色K线反映出由于获利了结和宏观经济变化导致的短期价格下跌，但整体趋势仍保持强劲上行，进一步巩固了黄金作为明智长期投资的地位。该图表有助于分析价格走势，并支持交易者、分.......

讨论

本研究提出了一种基于Transformer的深度学习模型，该模型利用UiPath这一自动化平台抓取的数据，确保及时、有序地获取金融数据，从而以更高的准确性和可靠性预测黄金期货价格。该模型整合了黄金价格数据以及重要的技术指标，如成交量指标、30日和100日移动平均线、趋势、黄金价格预测以及K线图形态。通过采用自注意力机制，Transformer模型能够有效捕捉复杂金融时间序列中的短期和长期关系，在性能上优于LSTM、CNN-LSTM和线性回归等传统模型。

本研究利用Transformer深度学习模型对黄金价格预测进行了详细分析，通过使用2014年至2024年的历史金融数据，证明了该模型相较于ARIMA、LSTM和基于回归的传统预测方法具有更优的性能。Transformer模型在预测准确性方面优于传统模型，其R²值达到0.93，均方误差（MSE）为0.0224，均方根误差（RMSE）为0.1496。如此高的预测精度凸显了该模型在捕捉短期价格波动和长期趋势方面的强大能力，使其成为金融预测中的有力工具。该模型对市场从业者、经济学家和政策分析师具有重要价值，有助于实现更有效的风险管理与科学的.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
数据来源	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com 是一个金融市场平台，提供市场行情、股票、期货等金融信息。
Transformer 模型（在 Google Colab 中用 Python 实现）	Google	https://colab.research.google.com/	开发了用于数据分析的 Python 源代码，以从数据中提取洞察，该代码已在 Google Colab 虚拟环境中运行。
UiPath 机器人流程自动化	UiPath, Inc.	https://www.uipath.com	用于从源中提取数据，且代码已在 UiPath Studio 平台上执行。