Preisvorhersage für Gold-Futures unter Verwendung von Transformer-Deep-Learning-Modellen mit Daten, die über UiPath gescrapt wurden

Zusammenfassung

In der Studie wird ein Transformer-Deep-Learning-Modell entwickelt, um die Goldpreise anhand historischer Daten von 2014 bis 2024 genau vorherzusagen. Mit einer Genauigkeit von 93 % übertrifft das Modell herkömmliche Methoden, indem es komplexe Trends und Abhängigkeiten erfasst. Er unterstützt Investoren und politische Entscheidungsträger bei der Entscheidungsfindung und schlägt zukünftige Verbesserungen auf der Grundlage von Stimmungsanalysen und globalen Faktoren vor.

Zusammenfassung

Gold ist einer der wertvollsten und am weitesten verbreiteten Rohstoffe weltweit, insbesondere in Indien, und spielt eine bedeutende Rolle auf den Wirtschafts- und Finanzmärkten. In der Vergangenheit war Gold ein Eckpfeiler des internationalen Handels und der wirtschaftlichen Stabilität, da die Zentralbanken Reserven vorhielten, um die Inflation und die Auslandsverschuldung zu bewältigen. Der Goldpreis dient als wichtiger Wirtschaftsindikator, der Markttrends und Anlagestrategien beeinflusst. Eine genaue Vorhersage der Goldpreise ist jedoch aufgrund der komplexen und nichtlinearen Natur der Finanzmärkte, die von verschiedenen Faktoren wie Zinssätzen, wirtschaftlichen Rezessionen, Ölpreisschwankungen und geopolitischen Ereignissen beeinflusst werden, eine Herausforderung. Das Transformer-Modell der Studie wurde verwendet, um die täglichen Goldpreise vorherzusagen, die von investing.com durch Web Scraping mit Hilfe von UiPath gesammelt wurden. Es handelt sich um eine Robotic Process Automation (RPA)-Plattform, um die Integrität der Daten zu bewahren und die Modellleistung zu verbessern. Es wurden Vorverarbeitungsvorgänge wie die Handhabung fehlender Daten und die MinMax-Skalierung durchgeführt. Das Modell wurde anhand wichtiger Leistungsmetriken getestet und trainiert und erreichte einen mittleren quadratischen Fehler () von 0,0224, einen mittleren quadratischen Fehler (RMSE) von 0,1496 und einen R-Quadrat von 0,93 mit einer hohen Vorhersagegenauigkeit. Die Studienergebnisse bestätigen, dass das Transformer-Modell kurzfristige Preisbewegungen und langfristige Markttrends effizient erkennt und eine genauere und zuverlässigere Methode bietet als herkömmliche Prognosemethoden. Die Studie bietet Investoren, Finanzanalysten und politischen Entscheidungsträgern eine wertvolle Orientierungshilfe, um fundierte Entscheidungen auf dem Goldbarrenmarkt zu treffen. Die zukünftige Forschung kann durch die Einbeziehung alternativer Datenquellen wie der Stimmung aus Schlagzeilen und sozialen Medien verbessert werden, die möglicherweise einen umfassenderen Einblick in die Marktbewegungen bieten können.

Einleitung

Gold ist einer der bedeutendsten Rohstoffe an den Finanzmärkten, eine wichtige wirtschaftliche Ressource und ein Instrument zur Preissteuerung. Gold macht in vielen Ländern einen erheblichen Teil der Zentralbankreserven aus¹. In jüngster Zeit ist Gold als Inflationsschutz bekannter geworden². Es handelt sich um eine wichtige Absicherungsanlage, und seine Volatilitätsprognose wird durch die Verwendung von GARCH-MIDAS-Modellen (Generalized Autoregressive Conditional Heteroskedasticity - Mixed Data Sampling) verbessert, die Asymmetrien, Extreme und Sprünge berücksichtigen³. Indien und China sind die größten Importeure und Verbraucher von Gold und machen etwa 60 % der weltweiten Nachfrage aus. Der kontinuierliche Anstieg der Goldpreise, der durch die Marktdynamik und die Rohstoffbeziehungen angetrieben wird, hat Gold als bevorzugte Anlage für zukünftige Renditen positioniert⁴. In Indien ist das Ausmaß der physischen Goldbestände beträchtlich, da die Haushalte Gold oft sowohl als Kulturgut als auch als finanzielle Absicherung betrachten. Die Nachfrage nach physischem Gold wirkt sich direkt auf die Markttrends aus, was die Notwendigkeit unterstreicht, seine Relevanz bei der Goldpreisprognose zu berücksichtigen ^5,6. Anleger sind ständig auf der Suche nach Anlagemöglichkeiten, die die höchsten Renditen bei geringstem Risiko bieten. In dieser Hinsicht dient Gold als sicherer Hafen, der in Zeiten wirtschaftlicher Unsicherheiten finanzielle Sicherheit bietet. Zu den Top-Anlagealternativen in Indien gehören Aktien, Banken, Einlagen, Versicherungen, Goldpostersparnisse, andere Spareinlagen und Anlagemöglichkeiten⁷. Aufgrund seiner Stabilität gilt Gold weithin als die beste alternative Anlageoption unter den verschiedenen Anlagemöglichkeiten und als wertvoller Vermögenswert, der vor Inflation und finanziellen Risiken schützt ^1,8. Die Bestimmung des Goldpreises wird von Faktoren wie Goldnachfrage, -angebot, -inflation und -wechselkursen beeinflusst. Ein überraschendes Ergebnis deutet darauf hin, dass die Aufwertung des Dollars mit einem Anstieg der Goldpreise korreliert, der möglicherweise auf spekulative Investitionen zurückzuführen^{ist 9}. Es ist schwierig, den Goldpreis vorherzusagen, da er volatil, unvorhersehbar, nichtlinear und unkontrollierbar ist¹⁰. Daher ist eine genaue Vorhersage des Goldpreises für Anleger, Portfoliomanager und politische Entscheidungsträger von entscheidender Bedeutung, da verbesserte Prognosen zu erheblichen Gewinnchancen führen können¹¹. Die aktuelle Preisentwicklung von Gold, die viermal so hoch ist wie vor zwei Jahrzehnten, und der Wunsch, Gold zu behalten, ziehen Anleger dazu, in verwandte Vermögenswerte zu investieren¹². Daher muss jeder Anleger, bevor er in Gold investiert, die Schlüsselfaktoren verstehen, die den Preis beeinflussen¹³. In der Finanzindustrie ist die Fähigkeit, die Richtung des Goldpreises vorherzusagen, von entscheidender Bedeutung: Selbst geringfügige Fortschritte bei der Leistungsvorhersage können zu Gewinnen führen, Geld ist unerlässlich, um ein Leben zu führen, und solide Finanzprognosen werden das wirtschaftliche Wachstum unterstützen¹⁴.

Abbildung 1 untersucht die Goldpreistrends in Indien über einen Zeitraum von 2014 bis 2024 und wie die Goldpreise zunehmend auf globalen Faktoren wie dem Dollar-Index, dem Leitzins, dem Verbraucherpreisindex (VPI), dem Wechselkurs, den Ölpreisen und dem S&P500¹⁵ basieren. Weitere Faktoren sind Konjunkturzyklen, Nominalzinsen, Rohstoffpreise, Wechselkurse und Aktienkurse¹⁶. Er unterstreicht die signifikanten Preisveränderungen, die Volatilität auf dem Markt und eine Phase anhaltender Expansion der Goldpreise, insbesondere in den letzten Jahren. Zwischen 2014 und 2018 zeigten die Preise eine geringe Volatilität, im Jahr 2019 war jedoch ein robuster Aufwärtstrend mit mehr Preisschwankungen zu beobachten. Die Position von Gold als sicherer Hafen wurde durch einen deutlichen Anstieg im Jahr 2020 gestärkt, der höchstwahrscheinlich auf die Sorge um Inflation und wirtschaftliche Unruhen zurückzuführen ist. Der Schlusskurs orientiert sich eng am Eröffnungskurs, aber eine größere Volatilität, insbesondere nach 2020, zeigt sich in größeren Lücken zwischen Hoch- und Tiefstkursen. Die Preise sind im Zeitraum 2023-2024 stetig gestiegen und haben Allzeithochs erreicht. Die Grafik zeigt, wie Gold im Laufe der Zeit an Wert gewonnen hat, was es zu einem nützlichen Vermögenswert für Analysten und Investoren macht.

Eine genaue Vorhersage des Goldpreises ist für eine fundierte Entscheidungsfindung von entscheidender Bedeutung, stellt jedoch aufgrund komplexer Faktoren wie wirtschaftlicher und geopolitischer Bedingungen eine Herausforderung dar¹⁷. Traditionelle Modelle wie der autoregressive Integrated Moving Average (ARIMA) haben oft Schwierigkeiten, diese Komplexität zu erfassen, was ihre Vorhersagegenauigkeit einschränkt^18,19. Um diese Einschränkungen zu überwinden, haben die jüngsten Fortschritte im Bereich des maschinellen Lernens und des Deep Learning die Genauigkeit der Finanzprognosen erheblich verbessert. Experimente zeigten, dass Deep-Learning-Modelle wie Long Short-Term Memory (LSTM)-Netzwerke deutlich besser abschneiden als herkömmliche statistische Modelle, indem sie sequentielle Beziehungen und Trends im Goldpreis erfassen²⁰. Hybride Prognosemodelle sind ein wichtiger Aspekt bei der Vorhersage von Goldpreisen in der Big-Data-Berechnung und -Ökonomie²¹. Unabhängig von ihrer Leistung weisen wiederkehrende Modelle wie Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) jedoch natürliche Einschränkungen auf, wie z. B. verschwindende Gradientenprobleme, hohe Rechenkomplexität und die Unfähigkeit, langfristige Beziehungen zu erfassen, was sich auf ihre Effizienz bei der Verarbeitung großer Zeitreihendaten aus dem Finanzbereich auswirken kann.

Um diese Defizite zu überbrücken und die Genauigkeit der Vorhersage weiter zu verbessern, sind Transformatorenmodelle heute eine attraktive Wahl für die Zeitreihenprognose im Vergleich zu LSTM-Netzwerken. Transformatoren nutzen Selbstaufmerksamkeitsmechanismen, wodurch sie langfristige Muster und kurzfristige Schwingungen in Finanzdaten und die parallele Verarbeitung effektiv erkennen können, um die Skalierbarkeit zu verbessern. Transformatoren haben aufgrund ihrer Wirksamkeit bei der Prognose von Finanzmärkten ein erhebliches Potenzial, die Genauigkeit der Goldpreisvorhersage zu verbessern. Die vorliegende Studie zielt darauf ab, ein Transformer-Modell für die Goldpreisprognose zu entwickeln, das vergangene Goldpreise und wichtige Wirtschaftsdaten verwendet und einen robusteren Ansatz für die Goldvorhersage bietet.

Frühere Studien hatten den Goldpreis mit verschiedenen Techniken wie neuronalen Netzen, Algorithmen, maschinellem Lernen, Deep Learning und künstlicher Intelligenz vorhergesagt. Einige der Studien, die sich auf die Vorhersage des Goldpreises beziehen, lauten wie folgt:

Die Gaußsche Prozessregression (GPR) hat sich als robustes Werkzeug für die Prognose von Metallpreisen erwiesen, wobei Anwendungen in Stahl, Kupfer und Edelmetallen ihre Wirksamkeit bei der Verarbeitung hochdimensionaler Finanzdaten und der Optimierung von Modellen durch Bayes'sche Methoden hervorheben, um den RMSE von 0,87²² genauer vorherzusagen. Die Studie stellt ein neuartiges Hybridmodell vor, das ein auf zufälligen Faltungskernen basierendes neuronales Netzwerk (RCK) mit generalisierter autoregressiver bedingter Heteroskedastizität (GARCH) kombiniert, um die Volatilität von Gold, Silber und Platin vorherzusagen. Die Genauigkeit der vorgeschlagenen Methode ist 53 % höher als die des GARCH-LSTM-Modells²³. Die Studie verwendete ARIMA- und Holt-Winters-Modelle, um die zukünftigen Goldpreise und Inflationsraten in Indien und den Vereinigten Staaten unter Berücksichtigung des Verbraucherpreisindex (VPI) zu prognostizieren. Gold ist eine gute Absicherung gegen Inflation sowohl für indische als auch für US-amerikanische Anleger²⁴. Die Studie vergleicht Deep-Learning- und Machine-Learning-Modelle, um die Beziehung von Bitcoin zu globalen Faktoren wie Gold, Öl, US-Dollar-Index (DXY) und Zinssätzen zu analysieren. Temporal Fusion Transformer (TFT) übertrifft andere und hebt Gold und DXY als wichtige Einflussfaktoren inmitten globaler Ereignisse und Vorschriften hervor²⁵. Darüber hinaus überprüft die Studie systematisch die Faktoren, die die Gold-Futures-Preise beeinflussen, wie Inflationsrate, Zinssatz, Rohölpreis und US-Dollar-Index, und zwar mit drei Hauptprognosemethoden: traditionelle Zeitreihenmodelle (ARIMA GARCH, ARDL), Hybridmodelle (MS-MIDAS-CJ, VMD-ICSS-BiGRU) und Deep-Learning-Methoden (SGRU-AM) DBN⁾²⁶. Transformer-Architekturen haben ein großes Potenzial für die langfristige Zeitreihenprognose, indem sie langfristige Abhängigkeiten effektiv erfassen und traditionelle RNN-basierte Modelle (Recurring Neural Network) übertreffen²⁷. Die Studie untersuchte den Zusammenhang zwischen dem Goldpreis und wichtigen Determinanten wie Aktienmärkten, Rohöl, Wechselkursen, Inflation und Zinssätzen. Es verwendet Algorithmen des maschinellen Lernens, die feststellen, dass die Gradienten-Boosting-Regression bei der Vorhersage des Goldpreises genauer ist als die Random-Forest-Regression¹⁴. In der Studie wurde das ARDL-Modell (Autoregressive Distribution Lag) verwendet, um die jährlichen Goldpreise unter Verwendung von Schatzwechselsätzen, der Goldnachfrage und verzögerten Goldpreisen als Kovariaten zu prognostizieren²⁸. Das vorgeschlagene Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) Modell für die Vorhersage des Goldpreises zeigt eine überlegene Leistung im Vergleich zu herkömmlichen Methoden mit niedrigeren MAE- und RMSE-Werten. Die Einbeziehung von Faltungsschichten in die LSTM-Architektur verbessert die Fähigkeit, sowohl kurzfristige Muster als auch langfristige Abhängigkeiten in den Daten zu erfassen²⁹.

Die zukünftigen Goldpreise werden anhand von vier Rohstoffen vorhergesagt: historische Daten des Goldpreises, des Silberpreises, der Rohölpreise sowie des Index und des Wechselkurses des Standard and Poor's 500 Aktienindex (S&P500) unter Verwendung des ELM-Modells (Extreme Learning Machine) mit einer Genauigkeit von 91,67 %⁴. Ein neuronales Netzwerkmodell mit Multilayer Perceptron (MLP) wurde eingesetzt, um Aktienkursschwankungen und Goldpreise auf der Grundlage von Daten der Teheraner Börse (TSE) vorherzusagen. Das Ergebnis zeigte, dass das künstliche neuronale Netz traditionelle Prognosemodelle in Bezug auf die Vorhersagegenauigkeit^{übertraf 30}. Die Studie verglich LSTM mit Modellen der linearen Regression und stellte fest, dass die lineare Regression eine geringfügig höhere Genauigkeitsrate von 53,02 % bei der Vorhersage der täglichen Schwankungen der Goldpreise erreichte. Dies deutet darauf hin, dass auch einfachere Modelle bei der Vorhersage von Goldpreisbewegungen wirksam sein können, was unterstreicht, wie wichtig es ist, die Beziehungen zwischen Goldpreisen und breiteren wirtschaftlichen Faktoren zu verstehen³¹. Die experimentellen Ergebnisse der Studie zur Modellierung des Wavelet Neural Network (WNN) für die Goldpreisprognose zeigten, dass der verbesserte Algorithmus des künstlichen Bienenvolkes (ABC) den traditionellen ABC-Ansatz bei der Goldpreisprognose unter Verwendung von neuronalen Wavelet-Netzen^{übertrifft 32}.

Für die Prognose von Gold und den Finanzmärkten wurden mehrere fortschrittliche Vorhersagemodelle vorgeschlagen. In einer der Studien wurde ein Goldpreisvorhersagemodell entwickelt, das ein Adaptive Neuro-Fuzzy Inference System (ANFIS) mit früheren Goldpreisen als Input verwendet. Das Modell prognostizierte genau die Goldpreise am nächsten Tag und übertraf damit die ARIMA- und CNN-Modelle in Bezug auf den RMSE. Er übertraf auch die Performance sowohl der Buy- als auch der Hold-Strategien, indem er deutlich höhere Kapitalrenditen erzielte, was ein starkes Potenzial für Goldpreisprognosen zeigt³³. Eine andere Studie integrierte ein ELM mit einem Fuzzy-Inferenz-System (FIS) und verwendete die Optimierungstechnik des Chaotic Quantum Crisscross Search Algorithm (CQCSA). Dieses Hybridmodell zeigt eine überlegene Leistung bei der Vorhersage der Gold- und Ölpreise³⁴. In einer Studie wurden verschiedene Modelle des maschinellen Lernens zur Vorhersage von Finanzmärkten während der COVID-19-Zeit eingesetzt, wobei Vanilla Stacked LSTMs andere Ansätze in der Zeitreihenprognose übertrafen. Die Ergebnisse unterstrichen, wie wichtig es ist, nicht-ökonomische Variablen neben historischen Finanzdaten für kurzfristige Marktprognosen einzubeziehen³⁵. Die Studie untersuchte Ensemble-Modelle zur Vorhersage der Kursbewegungen von Gold- und Silberaktien. Diese Ansätze erreichten bemerkenswerte Genauigkeitsraten von 85 % für Gold und 79 % für Silber, was auf ihre Fähigkeit hinweist, komplexe Marktdynamiken zu erfassen³⁶. In einer anderen Studie, die sich auf Deep-Learning-Architekturen für die Vorhersage des Goldpreises konzentrierte, übertraf das bidirektionale Long Short-Term Memory (BiLSTM)-Modell Standard-LSTMs, indem es höhere^R2-, niedrigere MAE- und RMSE-Werte erreichte. Durch die effektive Erfassung zeitlicher Muster aus normalisierten historischen Daten demonstrierte BiLSTM sein Potenzial, die Genauigkeit von Finanzprognosen zu verbessern³⁷.

Die genaue Vorhersage der Goldpreise stellt aufgrund des volatilen, nichtlinearen und multifaktoriellen Charakters der Finanzmärkte seit langem eine große Herausforderung für Anleger, Analysten und politische Entscheidungsträger dar¹⁰. Traditionelle statistische Modelle wie ARIMA und regressionsbasierte Ansätze haben sich als begrenzt erwiesen, wenn es darum geht, die komplexen und dynamischen Beziehungen zu erfassen, die den Goldpreisbewegungen innewohnen, insbesondere unter dem Einfluss makroökonomischer Indikatoren, geopolitischer Spannungen und globaler finanzieller Verschiebungen¹⁹. ARIMA und ähnliche Modelle sind zwar für kurzfristige lineare Prognosen nützlich, aber sie sind nicht in der Lage, Nichtlinearität, strukturelle Brüche und langfristige Abhängigkeiten zu erfassen^18,38. Obwohl Deep-Learning-Modelle wie LSTM und GRU die Vorhersageleistung durch das Erlernen sequenzieller Muster verbessert haben²⁰. Diese Modelle leiden immer noch unter intrinsischen Einschränkungen wie verschwindenden Gradienten und Schwierigkeiten bei der Modellierung langfristiger Abhängigkeiten in Zeitreihendaten²⁹. Darüber hinaus wurden zwar Hybrid- und Ensemble-Modelle untersucht, aber sie haben oft Probleme mit der Skalierbarkeit und Recheneffizienz in großen Finanzdatensätzen²³. Gold, das zunehmend als Absicherung gegen Inflation und wirtschaftliche Unsicherheit eingesetzt wird, insbesondere in Ländern wie Indien, wo es eine erhebliche kulturelle und finanzielle Bedeutung hat, ist die Nachfrage nach robusten, hochpräzisen Vorhersagemodellen von größter Bedeutung geworden². Jüngste Innovationen im Bereich des Deep Learning, insbesondere die Transformer-Architektur, die für ihren Selbstaufmerksamkeitsmechanismus bekannt ist, haben vielversprechende Ergebnisse bei Zeitreihenprognosen in allen Finanzbereichen gezeigt¹⁷. In der vorhandenen Literatur fehlt jedoch eine umfassende Untersuchung von Transformatormodellen speziell für die Goldpreisvorhersage unter Verwendung langfristiger historischer Datensätze, die mit verschiedenen wirtschaftlichen Indikatoren angereichert sind. Die meisten früheren Studien konzentrierten sich entweder auf kurzfristige Vorhersagen oder verwendeten begrenzte Dateneingaben, wobei das volle Potenzial von Transformatormodellen bei der Erfassung sowohl kurzfristiger als auch langfristiger Markttrends vernachlässigt^{wurde 31}.

Daher adressiert die vorliegende Studie die kritische Forschungslücke, indem sie ein Transformer-Deep-Learning-Modell vorschlägt und bewertet, das auf historischen Goldpreisdaten eines Jahrzehnts (2014-2024) trainiert wurde, die durch eine automatisierte und reproduzierbare Web-Scraping-Methode mit UiPath gesammelt wurden. Das Modell zielt darauf ab, die Vorhersagegenauigkeit zu verbessern und bestehende Modelle wie LSTM, CNN-LSTM und Regression zu übertreffen. Es bietet Anlegern und politischen Entscheidungsträgern ein zuverlässiges Instrument, um fundierte Entscheidungen unter Marktunsicherheiten zu treffen²².

Der unaufhaltsame Anstieg der Goldpreise hat den Bedarf an Prognosen erhöht, die für Investoren, Finanzanalysten und politische Entscheidungsträger wichtiger denn je sind. Gold wird weithin als sicherer Hafen geschätzt und spielt eine Schlüsselrolle in Anlagestrategien, insbesondere in Ländern wie Indien, in denen es wirtschaftliche und kulturelle Bedeutung hat. In einem zunehmend volatilen Markt- und globalen Unsicherheitsumfeld sind zuverlässige Vorhersagen entscheidend, um Renditen zu maximieren, Risiken zu managen und fundierte finanzielle Entscheidungen zu treffen. Die Studie zielt darauf ab, ein genaues und effektives Goldpreisprognosemodell zu entwickeln, das sich an der Komplexität der heutigen Finanzmärkte orientiert.

Protokoll

Die Methodik für diese Forschung ist ein systematischer Prozess, der darauf abzielt, ein Transformer-Modell für die Vorhersage des Goldpreises zu entwickeln. Die Datenerfassung ist der erste Schritt, in dem historische Goldpreisdaten und relevante Finanzindikatoren gesammelt werden, um einen umfassenden Datensatz zu bilden. Der Datensatz wird einer Datenvorverarbeitung, Modellentwicklung, Bewertung, Performance-Metriken und schließlich einer Goldpreisvorhersage unterzogen, die in den folgenden Abschnitten ausführlich erläutert wird.

Datenerfassung und Zuverlässigkeit:
Historische Goldpreisdaten für diese Studie wurden mit einem automatisierten Prozess gesammelt, der auf der UiPath Robotic Process Automation (RPA)-Plattform entwickelt wurde. Der Datensatz stammt von Investing.com einer weit verbreiteten und seriösen Finanzplattform, die für ihre strukturierten und genauen Rohstoff- und Marktdaten bekannt ist³⁹. Sie enthielt Tageswerte für Datum, Eröffnung, Hoch, Tief, Schlusskurs, Volumen und prozentuale Veränderung für den Zeitraum vom 1. Januar 2014 bis zum 31. Dezember 2024 (Ergänzende Tabelle 1). Die Automatisierung wurde so programmiert, dass sie zur relevanten Seite mit den historischen Daten navigiert, den definierten Datumsbereich angibt und den Datensatz in Excel exportiert. Um die Stabilität und Ausführungsgeschwindigkeit zu verbessern, vermied der Prozess die Kalenderauswahl-Schnittstelle und integrierte Validierungsroutinen, Zeitverzögerungen und bedingte Prüfungen, um Webseitenvariationen zu berücksichtigen. Dieser Ansatz ermöglichte eine effiziente, wiederholbare und genaue Datenextraktion, ohne dass manuelle Eingriffe erforderlich waren.

Um die Datenintegrität und -zuverlässigkeit zu gewährleisten, wurden mehrere Validierungsschritte wie UiPath Element Exists, bedingte Prüfungen und Verzögerungen zur Steuerung dynamischer Seitenladevorgänge einbezogen, um die Datenintegrität und Zuverlässigkeit zu gewährleisten. Web Scraping aus externen Quellen kann eine wertvolle Methode sein, um große Datensätze effizient zu erfassen. Es kann jedoch auch Herausforderungen mit sich bringen, wie z. B. inkonsistente Datenformate, Änderungen in der Webseitenstruktur oder Schwankungen in der Datenverfügbarkeit im Laufe der Zeit. Das Scraping-Tool verfügt über Fehlerbehandlungsverfahren und wurde regelmäßigen Zuverlässigkeitstests unterzogen, um diese Risiken zu reduzieren. Um die Richtigkeit zu bestätigen, wurden die abgerufenen Daten nach dem Zufallsprinzip mit Informationen aus anderen Quellen, wie z.B. Yahoo Finance, abgeglichen. Während der Vorverarbeitung wurden Forward Filling und Interpolation verwendet, um handelsfreie Tage und fehlende Datensätze zu verwalten. Diese Methode bietet eine robuste und dennoch effektive Möglichkeit, einen vertrauenswürdigen Datensatz zu erstellen, der für Deep-Learning-Modelle geeignet ist.

Datenvorverarbeitung:
In der vorliegenden Studie wurde der Goldpreisdatensatz zunächst in einen Pandas DataFrame geladen, um einen tabellarischen Datensatz für die Analyse zu erstellen, und mit Methoden wie info, describe und unique untersucht, um Datentypen, statistische Verteilungen und die Anzahl der eindeutigen Werte in jeder Spalte zu bewerten. Der Datensatz wurde dann in aufsteigender Reihenfolge auf der Grundlage seines Index sortiert, um eine chronologische Anordnung für die Zeitreihenanalyse zu gewährleisten. Fehlende Werte wurden mit Dropna identifiziert und eliminiert, und doppelte Einträge wurden mit der duplizierten Methode erkannt und anschließend mit drop_duplicates entfernt, um die Datenintegrität zu wahren. Die Spaltennamen wurden aus Gründen der Konsistenz standardisiert, indem Variablen wie Price to Close, Volume to Volume und Change % to Change umbenannt wurden, um die weitere Analyse klarer zu gestalten. Durch diese Schritte wurde der Datensatz bereinigt, strukturiert und vorbereitet, um eine genaue und zuverlässige nachfolgende Modellierung und Interpretation zu unterstützen.

Modellentwicklung:
Das Transformer-Modell stützt sich auf Selbstaufmerksamkeitsmechanismen und nicht auf Wiederholung oder Faltung, was eine effiziente Sequenzmodellierung ermöglicht. Im Zusammenhang mit Zeitreihenprognosen, wie z. B. der Goldpreisvorhersage, kann diese Architektur langfristige Abhängigkeiten effektiv erfassen⁴⁰. Daher wird das Transformer-Modell in Abbildung 2 für die Vorhersage des Goldpreises verwendet, indem fortschrittliche Deep-Learning-Techniken zur Analyse historischer Preistrends genutzt werden. Nach der Datenvorverarbeitung durchlaufen die Eingabedaten zunächst eine Einbettungsschicht, die numerische Merkmale in dichte Vektordarstellungen umwandelt, wodurch die Daten für die Analyse aussagekräftiger werden. Die Positionscodierung wird angewendet, um zeitliche Informationen beizubehalten. Jeder Encoder-Block enthält einen Mehrkopf-Aufmerksamkeitsmechanismus mit 4 Aufmerksamkeitsköpfen, gefolgt von einem neuronalen Feed-Forward-Netzwerk. Jeder Aufmerksamkeitskopf verwendet eine skalierte Punktproduktaufmerksamkeit, um sich auf relevante historische Datenpunkte zu konzentrieren. Das Modell verfügt über vier Geberschichten mit jeweils einer Feed-Forward-Innenschichtgröße von 512 und einer Dimensionalität (d_model) von 128. Auf jede Unterschicht folgt eine Dropout-Regularisierung mit einer Rate von 0,1, um eine Überanpassung zu vermeiden. Die ständige Verwendung von Restverbindungen und Schichtnormalisierung stabilisiert das Training und verbessert die Konvergenz. Eine Schlüsselkomponente des Modells ist der Aufmerksamkeitsmechanismus, der die relevantesten Datenpunkte der Vergangenheit identifiziert und priorisiert, anstatt alle historischen Werte gleich zu behandeln. Dies ermöglicht es dem Modell, wichtige Muster und Abhängigkeiten in den Goldpreisbewegungen zu erfassen. Die verarbeiteten Informationen werden dann durch eine neuronale Netzwerkschicht geleitet, die die Muster und Beziehungen weiter verfeinert, um die Vorhersagegenauigkeit zu verbessern. Darüber hinaus enthält das Modell mehrere gestapelte Transformatorschichten, was seine Fähigkeit stärkt, komplexe Trends zu erkennen und die Vorhersageleistung zu verbessern. Schließlich wird die Modellgenauigkeit anhand von Leistungsmetriken wie Mean Squared Error (), Root Mean Squared Error (RMSE) und R-Squared (R²) bewertet. Dieser Transformer-Ansatz erfasst effizient sowohl kurzfristige als auch langfristige Abhängigkeiten in finanziellen Zeitreihendaten und ist damit sehr effektiv für präzise Goldpreisprognosen.

Um die Eingabe-Features zu normalisieren, wurde die Min-Max-Skalierung angewendet, wie in der folgenden Gleichung dargestellt.

Sei x ein Merkmalswert, x_min und x_max seien das Minimum und Maximum des Merkmals⁴¹.

X: Der ursprüngliche Wert (der heutige Goldpreis).
x_min, x_min: Das Minimum und Maximum dieser Funktion während des Trainingszeitraums.
[a, b]; Der Zielbereich (in der Regel [0, 1]; manchmal [-1, 1]).

Der Kern des Transformator-Encoders ist der skalierte Punktprodukt-Aufmerksamkeitsmechanismus⁴⁰ , der wie folgt definiert ist:

Mittlerer quadratischer Fehler ()
Das Modell wurde trainiert, um den mittleren quadratischen Fehler () zwischen vorhergesagten und tatsächlichen Werten^{zu minimieren 42}.

=

Root-Mean-Square-Fehler (RMSE)
Die Leistung wurde unter Verwendung des Root Mean Square Error (RMSE)⁴³ bewertet, berechnet als

RMSE =

Schulung und Validierung
Das Dataset wird in drei Teilmengen partitioniert, wobei 80 % für das Training, 10 % für Tests und 10 % für die Validierung zugewiesen sind. Das Modell wird mit dem Adam-Optimierer⁴⁴ mit einer Batchgröße von 64 und einer Lernrate von 0,001 optimiert. Um eine Überanpassung zu verhindern, wird das Training über 50 Epochen durchgeführt, wobei das Training aufgrund eines Validierungsverlusts vorzeitig gestoppt wird. Der mittlere quadratische Fehler () dient als Verlustfunktion. Die Zielausgaben sind der Wert bei t+30 und die Sequenzeingaben werden mit einem 30-Tage-Lookback-Fenster (L = 30) generiert. Bei Bedarf werden Padding und Maskierung angewendet, um konstante Sequenzlängen beizubehalten. Für die Implementierung des Modells wurde TenSorFlow⁴⁵ verwendet, um seine Skalierbarkeit und Reproduzierbarkeit zu gewährleisten. Die Reproduzierbarkeit wird durch diese umfassenden Spezifikationen unterstützt, die auch das Verständnis für die Anpassung der Transformatorarchitektur an die Finanzprognose verbessern.

Testen
Die abschließende Evaluierung des Transformatormodells erfolgt anhand des Testdatensatzes, der die restlichen 10 % der Gesamtdaten umfasst. Die prognostizierten Goldpreise werden mit den tatsächlichen Werten verglichen und Leistungskennzahlen werden berechnet, um die Vorhersagegenauigkeit zu messen.

Evaluierung des Modells
Die Vorhersageleistung des Modells wurde anhand wichtiger statistischer Metriken wie dem mittleren quadratischen Fehler (), dem mittleren quadratischen Fehler (RMSE) und dem R-Quadrat (R²) bewertet. Die Ergebnisse werden im folgenden Abschnitt vorgestellt.

Ergebnisse

In der Studienanalyse wurden die Leistungskennzahlen anhand historischer Daten bewertet, die verwendet wurden, um ein umfassendes Bild davon zu erhalten, wie gut das Transformer-Modell die zukünftigen Goldpreise vorhersagte.

In Abbildung 3 zeigt das Goldpreis-Candlestick-Diagramm eine gründliche visuelle Darstellung der Preisschwankungen und betont signifikante Muster, Marktkorrekturen und stabile Intervalle im Laufe der Zeit. Um es einfacher zu machen, die Marktb...

Diskussion

In der vorliegenden Studie wurde ein Transformer-Deep-Learning-Modell vorgeschlagen, das Daten verwendet, die von UiPath gescrapt wurden, einer automatisierten Plattform, die die zeitnahe und organisierte Erfassung von Finanzdaten gewährleistet, um die Gold-Futures-Preise mit verbesserter Genauigkeit und Zuverlässigkeit vorherzusagen. Das Modell enthält Daten über den Goldpreis mit wichtigen technischen Indikatoren wie Volumenmetriken, gleitenden 30- und 100-Tage-Durchschnitten, Trends, ...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Datenquelle	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com handelt sich um eine Finanzmarktplattform, die Marktkurse, Informationen über Aktien, Futures usw. bereitstellt.
Transformer-Modell (Python in Google Colab implementiert)	Googeln	https://colab.research.google.com/	Einen Python-Quellcode für die Datenanalyse entwickelt, um Erkenntnisse aus Daten zu gewinnen, und dieser Code wurde in dieser virtuellen Google Colab-Umgebung ausgeführt
UiPath Robotic Prozessautomatisierung	UiPath, Inc.	https://www.uipath.com	Um die Daten aus der Quelle zu extrahieren, und der Code wurde auf dieser Plattform UiPath Studio ausgeführt.