$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
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 predictiva18,19. 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 plazo18,38. 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.