Predicción de precios de futuros de oro utilizando modelos de aprendizaje profundo de transformadores con datos extraídos a través de UiPath

Resumen

El estudio desarrolla un modelo de aprendizaje profundo de transformadores para predecir con precisión los precios del oro utilizando datos históricos de 2014 a 2024. Con una precisión del 93%, el modelo supera a los métodos tradicionales al capturar tendencias y dependencias complejas. Ayuda a los inversores y a los responsables políticos en la toma de decisiones y sugiere mejoras futuras utilizando el análisis del sentimiento y los factores globales.

Resumen

El oro es una de las materias primas más valiosas y comercializadas en todo el mundo, particularmente en la India, y juega un papel importante en los mercados económicos y financieros. Históricamente, el oro ha sido una piedra angular del comercio internacional y la estabilidad económica, y los bancos centrales mantienen reservas para gestionar la inflación y la deuda externa. El precio del oro sirve como un indicador económico clave que influye en las tendencias del mercado y las estrategias de inversión. Sin embargo, predecir con precisión los precios del oro es un desafío debido a la naturaleza compleja y no lineal de los mercados financieros, que están influenciados por varios factores, incluidas las tasas de interés, las recesiones económicas, las fluctuaciones del precio del petróleo y los eventos geopolíticos. El modelo de transformador de estudio se utilizó para predecir los precios diarios del oro que se recopilaron de investing.com a través del raspado web mediante el uso de UiPath. Es una plataforma de automatización robótica de procesos (RPA) para preservar la integridad de los datos y mejorar el rendimiento del modelo, se realizaron operaciones de preprocesamiento como el manejo de datos faltantes y el escalado MinMax. El modelo se probó y entrenó con métricas clave de rendimiento y logró un error cuadrático medio (MSE) de 0,0224, un error cuadrático medio (RMSE) de 0,1496 y un R cuadrado de 0,93, con una alta precisión de predicción. Los resultados del estudio confirman que el modelo de transformador detecta de manera eficiente los movimientos de precios a corto plazo y las tendencias del mercado a largo plazo, ofreciendo un método más preciso y confiable que los métodos de pronóstico tradicionales. El estudio proporciona una valiosa orientación a los inversores, analistas financieros y responsables políticos para tomar decisiones informadas en el mercado de lingotes de oro. La investigación futura puede mejorarse mediante la inclusión de fuentes de datos alternativas, como el sentimiento de los titulares de las noticias y las redes sociales, que potencialmente pueden ofrecer una visión más rica de los movimientos del mercado.

Introducción

El oro es una de las materias primas más importantes en los mercados financieros, un recurso económico crítico y una herramienta de control de precios. El oro constituye una parte sustancial de las reservas de los bancos centrales en muchos países¹. Recientemente, el oro se ha vuelto más conocido como cobertura contra la inflación². Es un activo de cobertura clave y su pronóstico de volatilidad mejora utilizando modelos de heterocedasticidad condicional autorregresiva generalizada - Muestreo de datos mixtos (GARCH-MIDAS) que tienen en cuenta la asimetría, los extremos y los saltos³. India y China son los mayores importadores y consumidores de oro, representando aproximadamente el 60% de la demanda mundial. El continuo aumento de los precios del oro impulsado por la dinámica del mercado y las relaciones con las materias primas ha posicionado al oro como una inversión preferida para los rendimientos futuros⁴. En la India, la magnitud de las tenencias físicas de oro es sustancial, y los hogares a menudo tratan el oro como un activo cultural y una salvaguarda financiera. Su demanda de oro físico impacta directamente en las tendencias del mercado, enfatizando la necesidad de considerar su relevancia en el pronóstico del precio del oro ^5,6. Los inversores buscan constantemente oportunidades de inversión que ofrezcan los mayores rendimientos con el menor riesgo. En este sentido, el oro sirve como un activo de refugio seguro, proporcionando seguridad financiera durante las incertidumbres económicas. Entre las principales alternativas de inversión en la India se encuentran acciones, bancos, depósitos, seguros, ahorros postales de oro, otros ahorros y opciones de inversión⁷. Dada su estabilidad, el oro es ampliamente considerado como la mejor opción de inversión alternativa entre varias opciones de inversión y un activo valioso que protege contra la inflación y los riesgos financieros ^1,8. La determinación del precio del oro está influenciada por factores como la demanda de oro, la oferta, la inflación y los tipos de cambio. Un hallazgo sorprendente indica que la apreciación del dólar se correlaciona con el aumento de los precios del oro potencialmente debido a la inversión especulativa⁹. Es difícil predecir el precio del oro debido a su movimiento de precios volátil, impredecible, no lineal e incontrolable¹⁰. Por lo tanto, una predicción precisa del precio del oro es crucial para los inversores, los gestores de carteras y los responsables políticos, ya que una mejor previsión puede dar lugar a importantes oportunidades de beneficios¹¹. La tendencia actual del precio del oro, que es cuatro veces más alta que hace dos décadas, y el deseo de mantener el oro atraen a los inversores a invertir en activos relacionados¹². Por lo tanto, antes de invertir en oro, todo inversor debe comprender los factores clave que influyen en su precio¹³. En la industria financiera, la capacidad de pronosticar la dirección de los precios del oro es esencial, incluso los avances menores en la predicción del rendimiento pueden generar ganancias, el dinero es esencial para llevar una vida y un pronóstico financiero sólido respaldará la expansión económica¹⁴.

La Figura 1 explora las tendencias del precio del oro en la India durante un período de tiempo que abarca de 2014 a 2024 y cómo los precios del oro se basan cada vez más en factores globales como el índice del dólar, la tasa de fondos federales, el índice de precios al consumidor (IPC), el tipo de cambio, los precios del petróleo y el S&P500¹⁵. Otros factores incluyen los ciclos económicos, las tasas de interés nominales, los precios de las materias primas, los tipos de cambio y los precios de las acciones¹⁶. Destaca los cambios significativos de precios, la volatilidad en el mercado y un período de expansión sostenida en los precios del oro, particularmente en los últimos años. Los precios mostraron poca volatilidad entre 2014 y 2018, sin embargo, en 2019 se observó una sólida tendencia al alza con más oscilaciones de precios. La posición del oro como activo refugio se vio reforzada por un aumento sustancial en 2020, muy probablemente provocado por las preocupaciones sobre la inflación y la agitación económica. El precio de cierre sigue de cerca el precio de apertura, pero la mayor volatilidad, particularmente después de 2020, se muestra por brechas más amplias entre los precios altos y bajos. Los precios han estado aumentando constantemente durante el período 2023-2024, alcanzando máximos históricos. El gráfico muestra cómo se ha apreciado el oro a lo largo del tiempo, lo que lo convierte en un activo útil para analistas e inversores.

La predicción precisa del precio del oro es vital para la toma de decisiones informadas, pero es un desafío debido a factores complejos como las condiciones económicas y geopolíticas¹⁷. Los modelos tradicionales como la media móvil integrada autorregresiva (ARIMA) a menudo tienen dificultades para capturar estas complejidades, lo que limita su precisión predictiva^18,19. En un intento por superar estas limitaciones, los avances recientes en el aprendizaje automático y el aprendizaje profundo han mejorado significativamente la precisión de los pronósticos financieros. Los experimentos demostraron que los modelos de aprendizaje profundo como las redes de memoria a corto plazo (LSTM) funcionan significativamente mejor que los modelos estadísticos tradicionales al capturar relaciones secuenciales y tendencias en los precios del oro²⁰. Los modelos de pronóstico híbridos son una consideración clave en el pronóstico de los precios del oro en la computación y la economía de big data²¹. Sin embargo, independientemente de su rendimiento, los modelos recurrentes como la memoria a corto plazo (LSTM) y la unidad recurrente cerrada (GRU) tienen limitaciones naturales como problemas de gradiente que desaparecen, alta complejidad computacional e incapacidad para capturar relaciones de largo alcance que pueden afectar su eficiencia en el manejo de datos de series temporales financieras a gran escala.

Con el fin de cerrar estos déficits y mejorar aún más la precisión de la predicción, los modelos de transformadores son ahora una opción atractiva en el pronóstico de series temporales, en comparación con las redes LSTM, los transformadores aprovechan los mecanismos de autoatención, lo que les permite detectar eficazmente patrones a largo plazo y oscilaciones a corto plazo en los datos financieros y el procesamiento paralelo para mejorar la escalabilidad. Los transformadores tienen un potencial considerable para mejorar la precisión de la predicción del precio del oro dada su eficacia en la previsión del mercado financiero. El presente estudio tiene como objetivo desarrollar un modelo transformador para el pronóstico del precio del oro utilizando los precios del oro en el pasado y los principales datos económicos, proporcionando un enfoque más sólido para la predicción del oro.

Estudios anteriores habían predicho el precio del oro utilizando varias técnicas como redes neuronales, algoritmos, aprendizaje automático, aprendizaje profundo e inteligencia artificial. Algunos de los estudios relacionados con la predicción del precio del oro son los siguientes:

La regresión de procesos gaussianos (GPR) se ha convertido en una herramienta robusta para la previsión de precios de metales con aplicaciones en acero, cobre y metales preciosos que destacan su eficacia en el manejo de datos financieros de alta dimensión y la optimización de modelos a través de métodos bayesianos para predecir el precio del oro con mayor precisión RMSE de 0,87²². El estudio presenta un novedoso modelo híbrido que combina una red neuronal basada en kernels convolucionales aleatorios (RCK) con heterocedasticidad condicional autorregresiva generalizada (GARCH) para predecir la volatilidad del oro, la plata y el platino. La precisión del método sugerido es un 53% mayor que la del modelo GARCH-LSTM²³. El estudio utilizó los modelos ARIMA y Holt-Winters para pronosticar los precios futuros del oro y las tasas de inflación en India y Estados Unidos considerando el Índice de Precios al Consumidor (IPC). El oro es una buena cobertura contra la inflación tanto para los inversores indios como para los estadounidenses²⁴. El estudio compara los modelos de aprendizaje profundo y aprendizaje automático para analizar la relación de Bitcoin con factores globales como el oro, el petróleo, el índice del dólar estadounidense (DXY) y las tasas de interés. Temporal Fusion Transformer (TFT) supera a otros, destacando al oro y al DXY como factores de influencia clave en medio de eventos y regulaciones globales²⁵. Además, el estudio revisa sistemáticamente los factores que afectan a los precios de los futuros del oro, como la tasa de inflación, el tipo de interés, el precio del petróleo crudo y el índice del dólar estadounidense, con tres métodos principales de previsión: modelos tradicionales de series temporales (ARIMA GARCH, ARDL), modelos híbridos (MS-MIDAS-CJ, VMD-ICSS-BiGRU) y métodos de aprendizaje profundo (SGRU-AM) DBN)²⁶. Las arquitecturas de transformadores tienen un gran potencial en la previsión de series temporales a largo plazo al capturar eficazmente las dependencias de largo alcance y superar los modelos tradicionales basados en redes neuronales recurrentes (RNN)²⁷. El estudio exploró la relación entre los precios del oro y determinantes clave como los mercados de valores, el petróleo crudo, los tipos de cambio, la inflación y las tasas de interés. Utiliza algoritmos de aprendizaje automático que encuentran que la regresión de aumento de gradiente es más precisa que la regresión de bosque aleatorio para predecir los precios del oro¹⁴. El estudio utilizó el modelo de retraso de distribución autorregresiva (ARDL) para pronosticar los precios anuales del oro utilizando las tasas de las letras del tesoro, la demanda de oro y los precios del oro rezagados como covariables²⁸. El modelo propuesto de red neuronal convolucional-memoria a corto plazo (CNN-LSTM) para el pronóstico del precio del oro demuestra un rendimiento superior en comparación con los métodos tradicionales con valores MAE y RMSE más bajos. La incorporación de capas convolucionales en la arquitectura LSTM mejora aún más su capacidad para capturar patrones a corto plazo y dependencias a largo plazo en los datos²⁹.

Los precios futuros del oro se predicen a partir de cuatro materias primas: datos históricos de los precios del oro, los precios de la plata, los precios del petróleo crudo y el índice bursátil Standard and Poor's 500 (S&P500) y el tipo de cambio utilizando el modelo Extreme Learning Machine (ELM) con una precisión del 91,67%⁴. Se empleó un modelo de red neuronal de perceptrón multicapa (MLP) para predecir las fluctuaciones del precio de las acciones y los precios del oro basándose en datos de la Bolsa de Valores de Teherán (TSE). El resultado indicó que la red neuronal artificial superó a los modelos de pronóstico tradicionales en términos de precisión de predicción³⁰. El estudio comparó LSTM con modelos de regresión lineal y descubrió que la regresión lineal logró una tasa de precisión marginalmente más alta del 53,02% en el pronóstico de las fluctuaciones diarias de los precios del oro. Esto sugiere que incluso modelos más simples pueden ser efectivos para predecir los movimientos del precio del oro, destacando la importancia de comprender las relaciones entre los precios del oro y factores económicos más amplios³¹. Los resultados experimentales del estudio de modelado de redes neuronales de ondículas (WNN) para el pronóstico del precio del oro demostraron que el algoritmo mejorado de colonia de abejas artificiales (ABC) supera el enfoque ABC tradicional en el pronóstico del precio del oro utilizando redes neuronales de ondículas³².

Se han propuesto varios modelos predictivos avanzados para el pronóstico del oro y los mercados financieros. Uno de los estudios desarrolló un modelo de predicción del precio del oro utilizando un Sistema de Inferencia Neurodifusa Adaptativa (ANFIS) con precios pasados del oro como entradas. El modelo predijo con precisión que los precios del oro al día siguiente superarían a los modelos ARIMA y CNN en términos de RMSE. También superó el rendimiento de las estrategias Buy y Hold al ofrecer un rendimiento de la inversión significativamente mayor, lo que demuestra un fuerte potencial para la previsión del precio del oro³³. Otro estudio integró un ELM con un sistema de inferencia difusa (FIS) y utilizó la técnica de optimización del algoritmo de búsqueda entrecruzada cuántica caótica (CQCSA). Este modelo híbrido exhibe un rendimiento superior en la predicción de los precios del oro y el petróleo³⁴. Una investigación empleó varios modelos de aprendizaje automático en la predicción del mercado financiero durante el período de COVID-19, donde los LSTM apilados de vainilla superaron otros enfoques en el pronóstico de series temporales. Los hallazgos enfatizaron la importancia de incorporar variables no económicas junto con datos financieros históricos para predicciones de mercado a corto plazo³⁵. El estudio exploró modelos de conjunto para predecir los movimientos del precio de las acciones de oro y plata. Estos enfoques lograron tasas de precisión notables del 85% para el oro y del 79% para la plata, lo que indica su capacidad para capturar dinámicas complejas del mercado³⁶. En otro estudio centrado en las arquitecturas de aprendizaje profundo para la predicción del precio del oro, el modelo de memoria bidireccional a corto plazo a largo plazo (BiLSTM) superó a los LSTM estándar al lograr valores más altos de R², MAE y RMSE más bajos. Al capturar eficazmente patrones temporales a partir de datos históricos normalizados, BiLSTM demostró su potencial para mejorar la precisión de los pronósticos financieros³⁷.

La predicción precisa de los precios del oro ha planteado durante mucho tiempo un desafío importante para los inversores, analistas y responsables políticos debido a la naturaleza volátil, no lineal y multifactorial de los mercados financieros¹⁰. Los modelos estadísticos tradicionales como ARIMA y los enfoques basados en la regresión han mostrado limitaciones para capturar las relaciones complejas y dinámicas inherentes a los movimientos del precio del oro, particularmente bajo la influencia de indicadores macroeconómicos, tensiones geopolíticas y cambios financieros globales¹⁹. Si bien ARIMA y modelos similares son útiles para el pronóstico lineal a corto plazo, carecen de la capacidad de capturar la no linealidad, las rupturas estructurales y las dependencias a largo plazo^18,38. Aunque los modelos de aprendizaje profundo como LSTM y GRU han mejorado el rendimiento de la predicción mediante el aprendizaje de patrones secuenciales²⁰. Estos modelos aún sufren limitaciones intrínsecas, como gradientes de desaparición y dificultades para modelar dependencias a largo plazo en datos de series temporales²⁹. Además, si bien se han explorado modelos híbridos y de conjunto, a menudo tienen dificultades con la escalabilidad y la eficiencia computacional en conjuntos de datos financieros a gran escala²³. El oro, cada vez más utilizado como cobertura contra la inflación y la incertidumbre económica, especialmente en países como India, donde tiene una importancia cultural y financiera sustancial, la demanda de modelos predictivos robustos y de alta precisión se ha vuelto primordial². Las innovaciones recientes en el aprendizaje profundo, en particular la arquitectura de transformadores conocida por su mecanismo de autoatención, han mostrado resultados prometedores en las tareas de pronóstico de series temporales en todos los dominios financieros¹⁷. Sin embargo, la literatura existente carece de una investigación exhaustiva de los modelos de transformadores específicamente para la predicción del precio del oro utilizando conjuntos de datos históricos a largo plazo enriquecidos con diversos indicadores económicos. La mayoría de los estudios anteriores se han centrado en la predicción a corto plazo o han utilizado entradas de datos limitadas, descuidando todo el potencial de los modelos de transformadores para capturar las tendencias del mercado a corto y largo plazo³¹.

Por lo tanto, el presente estudio aborda la brecha crítica de investigación al proponer y evaluar un modelo de aprendizaje profundo de transformadores entrenado con una década de datos históricos de precios del oro (2014-2024) recopilados a través de un método de raspado web automatizado y reproducible utilizando UiPath. El modelo tiene como objetivo mejorar la precisión de la predicción y superar a los modelos existentes como LSTM, CNN-LSTM y regresión. Proporciona una herramienta fiable para que los inversores y los responsables políticos tomen decisiones informadas en condiciones de incertidumbre del mercado²².

El imparable aumento de los precios del oro ha aumentado la necesidad de previsiones, que son más importantes que nunca para los inversores, los analistas financieros y los responsables políticos. El oro es ampliamente valorado como un activo de refugio seguro y juega un papel clave en las estrategias de inversión, particularmente en países como India, donde tiene importancia económica y cultural. En un mercado cada vez más volátil y en un entorno de incertidumbre global, las predicciones confiables son cruciales para maximizar los rendimientos, gestionar los riesgos y tomar decisiones financieras acertadas. El estudio está diseñado para desarrollar un modelo de pronóstico del precio del oro preciso y efectivo que se alinee con las complejidades de los mercados financieros actuales.

Protocolo

La metodología de esta investigación es un proceso sistemático diseñado para desarrollar un modelo de transformador para la predicción del precio del oro. La recopilación de datos es el paso inicial en el que se recopilan los datos históricos del precio del oro y los indicadores financieros relevantes para formar un conjunto de datos completo. El conjunto de datos se somete a preprocesamiento de datos, desarrollo de modelos, evaluación, métricas de rendimiento y, finalmente, predicción del precio del oro con una explicación detallada en las secciones siguientes.

Recopilación de datos y fiabilidad:
Los datos históricos del precio del oro para este estudio se recopilaron utilizando un proceso automatizado desarrollado en la plataforma UiPath Robotic Process Automation (RPA). El conjunto de datos se obtuvo de Investing.com una plataforma financiera ampliamente utilizada y de buena reputación conocida por sus datos estructurados y precisos sobre materias primas y mercados³⁹. Incluía valores diarios de fecha, apertura, máximo, mínimo, cierre, volumen y cambio porcentual que cubrían el período comprendido entre el 1 de enero de 2014 y el 31 de diciembre de 2024 (Tabla complementaria 1). La automatización se programó para navegar a la página de datos históricos relevante, especificar el rango de fechas definido y exportar el conjunto de datos a Excel. Para mejorar la estabilidad y la velocidad de ejecución, el proceso evitó la interfaz del selector de calendario e incorporó rutinas de validación, retrasos de tiempo y verificaciones condicionales para adaptarse a las variaciones de la página web. Este enfoque permitió una extracción de datos eficiente, repetible y precisa sin necesidad de intervención manual.

Para garantizar la integridad y confiabilidad de los datos, se incluyeron múltiples pasos de validación como Element Exists de UiPath, verificaciones condicionales y retrasos para controlar las cargas dinámicas de la página para garantizar la integridad y confiabilidad de los datos. El raspado web de fuentes externas puede ser un método valioso para adquirir grandes conjuntos de datos de manera eficiente. Sin embargo, también puede presentar desafíos como formatos de datos inconsistentes, cambios en la estructura de la página web o variaciones en la disponibilidad de datos a lo largo del tiempo. La herramienta de raspado tiene procedimientos de manejo de errores y se ha sometido a pruebas periódicas de confiabilidad para reducir estos riesgos. Para confirmar la exactitud, los datos recuperados se verificaron al azar con información de otras fuentes, como Yahoo Finance. Durante el preprocesamiento, se utilizó el llenado a plazo y la interpolación para administrar los días no comerciales y los registros faltantes. Este método ofrece una forma sólida pero eficaz de producir un conjunto de datos confiable que sea apropiado para modelos de aprendizaje profundo.

Preprocesamiento de datos:
En el presente estudio, el conjunto de datos del precio del oro se cargó primero en un marco de datos de pandas para crear un conjunto de datos tabular para el análisis y se examinó utilizando métodos como info, describe y unique para evaluar los tipos de datos, las distribuciones estadísticas y el número de valores únicos en cada columna. Luego, el conjunto de datos se clasificó en orden ascendente según su índice, lo que garantiza un orden cronológico para el análisis de series temporales. Los valores faltantes se identificaron y eliminaron mediante dropna y las entradas duplicadas se detectaron mediante el método duplicado y posteriormente se eliminaron con drop_duplicates para mantener la integridad de los datos. Los nombres de las columnas se estandarizaron para mantener la coherencia cambiando el nombre de variables como Precio al cierre, Volumen a volumen y % de cambio a Cambio, lo que facilita la claridad en el análisis posterior. A través de estos pasos, el conjunto de datos se limpió, estructuró y preparó para respaldar el modelado e interpretación posteriores precisos y confiables.

Desarrollo de modelos:
El modelo de transformador se basa en mecanismos de autoatención en lugar de recurrencia o convolución, lo que permite un modelado de secuencia eficiente. En el contexto de la previsión de series temporales, como la predicción del precio del oro, esta arquitectura puede capturar eficazmente las dependencias a largo plazo⁴⁰. Por lo tanto, el modelo de transformador de la Figura 2 se utiliza para la predicción del precio del oro aprovechando técnicas avanzadas de aprendizaje profundo para analizar las tendencias históricas de los precios. Después del preprocesamiento de datos, los datos de entrada pasan primero a través de una capa de incrustación, convirtiendo características numéricas en representaciones vectoriales densas, lo que hace que los datos sean más significativos para el análisis. La codificación posicional se aplica para retener información temporal. Cada bloque de codificador contiene un mecanismo de atención de múltiples cabezales con 4 cabezales de atención seguidos de una red neuronal de alimentación. Cada cabeza de atención utiliza la atención de producto punto escalada para centrarse en puntos de datos históricos relevantes. El modelo tiene cuatro capas de codificador, cada una con un tamaño de capa interna de alimentación directa de 512 y una dimensionalidad (d_model) de 128. Cada subcapa va seguida de una regularización de la deserción a una tasa de 0,1 para evitar el sobreajuste. El uso constante de conexiones residuales y la normalización de capas estabiliza el entrenamiento y mejora la convergencia. Un componente clave del modelo es el mecanismo de atención que identifica y prioriza los puntos de datos pasados más relevantes en lugar de tratar todos los valores históricos por igual. Esto permite que el modelo capture patrones y dependencias importantes en los movimientos del precio del oro. Luego, la información procesada pasa a través de una capa de red neuronal que refina aún más los patrones y las relaciones para mejorar la precisión de la predicción. Además, el modelo incorpora múltiples capas de transformadores apilados que fortalecen su capacidad para aprender tendencias complejas y mejorar el rendimiento predictivo. Finalmente, la precisión del modelo se evalúa utilizando métricas de rendimiento como el error cuadrático medio (MSE), el error cuadrático medio (RMSE) y el R cuadrado (R²). Este enfoque de transformador captura de manera eficiente las dependencias a corto y largo plazo en los datos financieros de series temporales, lo que lo hace altamente efectivo para el pronóstico preciso del precio del oro.

Para normalizar las entidades de entrada, se aplicó la escala mínima-máxima como se muestra en la siguiente ecuación.

Sea x un valor de característica, x_min y x_max sean el mínimo y el máximo de la característica⁴¹.

x: el valor original (precio actual del oro).
x_min, x_min: el mínimo y el máximo del período de entrenamiento de esa característica.
[a, b]; el rango objetivo (generalmente [0, 1]; a veces [-1, 1]).

El núcleo del codificador del transformador es el mecanismo de atención del producto punto⁴⁰ escalado definido como:

Error cuadrático medio (MSE)
El modelo fue entrenado para minimizar el error cuadrático medio (MSE) entre los valores predichos y reales⁴².

MSE =

Error cuadrático medio (RMSE)
El rendimiento se evaluó mediante el error cuadrático medio (RMSE)⁴³, calculado como

RMSE =

Formación y validación
El conjunto de datos se divide en tres subconjuntos con el 80% asignado para el entrenamiento, el 10% para las pruebas y el 10% para la validación. El modelo se optimiza utilizando el optimizador Adam⁴⁴ con un tamaño de lote de 64 y una tasa de aprendizaje de 0,001. Para evitar el sobreajuste, el entrenamiento se lleva a cabo durante 50 épocas con paradas tempranas basadas en la pérdida de validación. El error cuadrático medio (MSE) sirve como función de pérdida. Las salidas de destino son el valor en t + 30 y las entradas de secuencia se generan con una ventana retrospectiva de 30 días (L = 30). Cuando es necesario, se aplican relleno y enmascaramiento para preservar longitudes de secuencia constantes. Se utilizó TenSorFlow⁴⁵ para implementar el modelo garantizando su escalabilidad y reproducibilidad. La reproducibilidad está respaldada por estas especificaciones integrales que también mejoran la comprensión de la adaptación de la arquitectura del transformador para la previsión financiera.

Ensayo
La evaluación final del modelo de transformador se lleva a cabo utilizando el conjunto de datos de prueba que comprende el 10% restante de los datos totales. Los precios del oro predichos se comparan con los valores reales y las métricas de rendimiento se calculan para medir la precisión de la predicción.

Evaluación del modelo
El rendimiento predictivo del modelo se evaluó utilizando métricas estadísticas clave como el error cuadrático medio (MSE), el error cuadrático medio (RMSE) y el R cuadrado (R²). Los resultados se presentan en la siguiente sección.

Resultados

En el análisis del estudio, las métricas de rendimiento se evaluaron a través de datos históricos, estas métricas se utilizaron para brindar una imagen completa de qué tan bien el modelo de transformador predijo los precios futuros del oro.

En la Figura 3, el gráfico de velas del precio del oro presenta una representación visual completa de las oscilaciones de precios, enfatizando patrones significativos, correcciones del mercado e intervalos estables a lo largo d...

Discusión

El presente estudio propuso un modelo de aprendizaje profundo de transformadores que utiliza datos extraídos por UiPath, una plataforma automatizada que garantiza la adquisición oportuna y organizada de datos financieros para predecir los precios de los futuros de oro con mayor precisión y confiabilidad. El modelo incorpora datos sobre el precio del oro con indicadores técnicos importantes como métricas de volumen, medias móviles de 30 y 100 días, tendencias, predicción del precio del or...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Fuente de datos	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com es una plataforma de mercado financiero que proporciona cotizaciones de mercado, información sobre acciones, futuros, etc.
Modelo de transformador (Python implementado en Google Colab)	Google	https://colab.research.google.com/	Desarrollé un código fuente de Python para el análisis de datos para extraer información de los datos, y ese código se ha ejecutado en este entorno virtual de Google Colab
Automatización robótica de procesos UiPath	UiPath, Inc.	https://www.uipath.com	Para extraer los datos de la fuente, y el código se ha ejecutado en esta plataforma UiPath Studio.