Prévision du prix des contrats à terme sur l’or à l’aide de modèles d’apprentissage profond Transformer avec des données récupérées via UiPath

Résumé

L’étude développe un modèle d’apprentissage profond de transformateur pour prédire avec précision les prix de l’or à l’aide de données historiques de 2014 à 2024. Avec une précision de 93 %, le modèle surpasse les méthodes traditionnelles en capturant des tendances et des dépendances complexes. Il aide les investisseurs et les décideurs politiques à prendre des décisions et suggère des améliorations futures à l’aide d’une analyse des sentiments et de facteurs mondiaux.

Résumé

L’or est l’une des matières premières les plus précieuses et les plus échangées dans le monde, en particulier en Inde, et joue un rôle important sur les marchés économiques et financiers. Historiquement, l’or a été la pierre angulaire du commerce international et de la stabilité économique, les banques centrales maintenant des réserves pour gérer l’inflation et la dette extérieure. Le prix de l’or est un indicateur économique clé qui influence les tendances du marché et les stratégies d’investissement. Cependant, il est difficile de prédire avec précision les prix de l’or en raison de la nature complexe et non linéaire des marchés financiers qui sont influencés par divers facteurs, notamment les taux d’intérêt, les récessions économiques, les fluctuations des prix du pétrole et les événements géopolitiques. Le modèle de transformateur d’étude a été utilisé pour prédire les prix quotidiens de l’or qui ont été collectés auprès de investing.com par grattage Web à l’aide d’UiPath. Il s’agit d’une plate-forme d’automatisation des processus robotiques (RPA) permettant de préserver l’intégrité des données et d’améliorer les performances du modèle, des opérations de prétraitement telles que la gestion des données manquantes et la mise à l’échelle MinMax ont été effectuées. Le modèle a été testé et entraîné sur des indicateurs de performance clés et a atteint une erreur quadratique moyenne (MSE) de 0,0224, une erreur quadratique moyenne (RMSE) de 0,1496 et un R carré de 0,93, avec une grande précision de prédiction. Les résultats de l’étude confirment que le modèle de transformateur détecte efficacement les mouvements de prix à court terme et les tendances du marché à long terme, offrant une méthode plus précise et plus fiable que les méthodes de prévision traditionnelles. L’étude fournit des conseils précieux aux investisseurs, aux analystes financiers et aux décideurs politiques pour prendre des décisions éclairées sur le marché des lingots d’or. Les recherches futures peuvent être améliorées par l’inclusion de sources de données alternatives, telles que le sentiment des manchettes et des médias sociaux, qui peuvent potentiellement offrir un aperçu plus riche des mouvements du marché.

Introduction

L’or est l’une des matières premières les plus importantes sur les marchés financiers, une ressource économique essentielle et un outil de contrôle des prix. L’or constitue une part substantielle des réserves des banques centrales dans de nombreux pays¹. Récemment, l’or est devenu plus connu en tant que couverture contre l’inflation². Il s’agit d’un actif de couverture clé et sa prévision de volatilité s’améliore à l’aide de modèles GARCH-MIDAS (Generalized Autoregressive Conditional Heteroskedasticity - Mixed Data Sampling (GARCH-MIDAS) qui tiennent compte de l’asymétrie, des extrêmes et des sauts³. L’Inde et la Chine sont les plus grands importateurs et consommateurs d’or, représentant environ 60 % de la demande mondiale. La hausse continue des prix de l’or, entraînée par la dynamique du marché et les relations avec les matières premières, a positionné l’or comme un investissement privilégié pour les rendements^futurs4. En Inde, l’ampleur des avoirs en or physique est considérable, les ménages traitant souvent l’or à la fois comme un bien culturel et une protection financière. Sa demande d’or physique a un impact direct sur les tendances du marché, soulignant la nécessité de prendre en compte sa pertinence dans la prévision du prix de l’or ^5,6. Les investisseurs sont constamment à la recherche d’opportunités d’investissement qui offrent les rendements les plus élevés avec le risque le plus faible. À cet égard, l’or sert d’actif refuge, offrant une sécurité financière pendant les incertitudes économiques. Parmi les principales alternatives d’investissement en Inde figurent les actions, les banques, les dépôts, les assurances, l’épargne postale en or, d’autres options d’épargne et d’investissement⁷. Compte tenu de sa stabilité, l’or est largement considéré comme la meilleure option d’investissement alternative parmi les différentes options d’investissement et un actif précieux qui protège contre l’inflation et les risques financiers ^1,8. La détermination du prix de l’or est influencée par des facteurs tels que la demande d’or, l’offre, l’inflation et les taux de change. Une constatation surprenante indique que l’appréciation du dollar est corrélée à l’augmentation des prix de l’or, potentiellement due à l’investissement spéculatif⁹. Il est difficile de prédire le prix de l’or en raison de son mouvement de prix volatil, imprévisible, non linéaire et incontrôlable¹⁰. Par conséquent, une prédiction précise du prix de l’or est cruciale pour les investisseurs, les gestionnaires de portefeuille et les décideurs politiques, car de meilleures prévisions peuvent conduire à d’importantes opportunités de profit¹¹. La tendance actuelle du prix de l’or, qui est quatre fois plus élevée qu’il y a deux décennies, et le désir de conserver l’or attirent les investisseurs à investir dans des actifs connexes¹². Par conséquent, avant d’investir dans l’or, chaque investisseur doit comprendre les facteurs clés qui influencent son prix¹³. Dans l’industrie financière, la capacité de prévoir la direction des prix de l’or est essentielle, même des progrès mineurs dans la prédiction des performances peuvent entraîner des bénéfices, l’argent est essentiel pour mener une vie et des prévisions financières solides soutiendront l’expansion économique¹⁴.

La figure 1 explore les tendances des prix de l’or en Inde sur une période allant de 2014 à 2024 et comment les prix de l’or sont de plus en plus basés sur des facteurs mondiaux tels que l’indice du dollar, le taux des fonds fédéraux, l’indice des prix à la consommation (IPC), le taux de change, les prix du pétrole et le S&P500¹⁵. D’autres facteurs comprennent les cycles économiques, les taux d’intérêt nominaux, les prix des matières premières, les taux de change et les cours des actions¹⁶. Il met en évidence les changements de prix importants, la volatilité du marché et une période d’expansion soutenue des prix de l’or, en particulier au cours des dernières années. Les prix ont montré une faible volatilité entre 2014 et 2018, mais en 2019, une forte tendance à la hausse avec davantage de fluctuations de prix a été observée. La position de l’or en tant qu’actif refuge a été renforcée par une augmentation substantielle en 2020, probablement due aux inquiétudes concernant l’inflation et les bouleversements économiques. Le prix de clôture suit de près le prix d’ouverture, mais une plus grande volatilité, en particulier après 2020, est illustrée par des écarts plus larges entre les prix élevés et les prix bas. Les prix n’ont cessé d’augmenter au cours de la période 2023-2024, atteignant des sommets historiques. Le graphique montre comment l’or s’est apprécié au fil du temps, ce qui en fait un actif utile pour les analystes et les investisseurs.

Une prévision précise du prix de l’or est essentielle pour une prise de décision éclairée, mais elle est difficile en raison de facteurs complexes tels que les conditions économiques et géopolitiques¹⁷. Les modèles traditionnels tels que l’autorégressive moyenne mobile intégrée (ARIMA) ont souvent du mal à capturer ces complexités, ce qui limite leur précision prédictive^18,19. Dans le but de surmonter ces limites, les progrès récents de l’apprentissage automatique et de l’apprentissage profond ont considérablement amélioré la précision des prévisions financières. Des expériences ont démontré que les modèles d’apprentissage profond tels que les réseaux de mémoire à long terme et à court terme (LSTM) fonctionnent nettement mieux que les modèles statistiques traditionnels en capturant les relations séquentielles et les tendances des prix de l’or²⁰. Les modèles de prévision hybrides sont un élément clé dans la prévision des prix de l’or dans le calcul du big data et l’économie²¹. Néanmoins, quelles que soient leurs performances, les modèles récurrents tels que la mémoire à long terme (LSTM) et l’unité récurrente fermée (GRU) présentent des limites naturelles telles que la disparition des problèmes de gradient, une grande complexité de calcul et l’incapacité à capturer des relations à long terme, ce qui peut affecter leur efficacité dans le traitement des données de séries chronologiques financières à grande échelle.

Afin de combler ces déficits et d’améliorer encore la précision des prédictions, les modèles de transformateurs sont désormais un choix attrayant dans la prévision de séries chronologiques, par rapport aux réseaux LSTM, les transformateurs exploitent des mécanismes d’auto-attention, ce qui leur permet de détecter efficacement les modèles à long terme et les oscillations à court terme dans les données financières et le traitement parallèle pour améliorer l’évolutivité. Les transformateurs ont un potentiel considérable pour améliorer la précision des prévisions du prix de l’or, compte tenu de leur efficacité dans la prévision des marchés financiers. La présente étude vise à développer un modèle de transformateur pour la prévision des prix de l’or en utilisant les prix de l’or passés et les principales données économiques, fournissant une approche plus robuste pour la prédiction de l’or.

Des études antérieures avaient prédit le prix de l’or à l’aide de plusieurs techniques telles que les réseaux neuronaux, les algorithmes, l’apprentissage automatique, l’apprentissage profond et l’intelligence artificielle. Certaines des études liées à la prévision du prix de l’or sont les suivantes :

La régression des processus gaussiens (GPR) est apparue comme un outil robuste pour la prévision des prix des métaux avec des applications dans l’acier, le cuivre et les métaux précieux, mettant en évidence son efficacité dans le traitement de données financières de grande dimension et l’optimisation des modèles grâce à des méthodes bayésiennes pour prédire plus précisément le prix de l’or RMSE de 0,87²². L’étude présente un nouveau modèle hybride qui combine un réseau neuronal basé sur des noyaux convolutifs aléatoires (RCK) avec une hétéroscédasticité conditionnelle autorégressive généralisée (GARCH) pour prédire la volatilité de l’or, de l’argent et du platine. La précision de la méthode suggérée est supérieure de 53 % à celle du modèle GARCH-LSTM²³. L’étude a utilisé les modèles ARIMA et Holt-Winters pour prévoir les prix futurs de l’or et les taux d’inflation en Inde et aux États-Unis en tenant compte de l’indice des prix à la consommation (IPC). L’or est une bonne couverture contre l’inflation pour les investisseurs indiens et américains²⁴. L’étude compare des modèles d’apprentissage profond et d’apprentissage automatique pour analyser la relation du bitcoin avec des facteurs mondiaux tels que l’or, le pétrole, l’indice du dollar américain (DXY) et les taux d’intérêt. Temporal Fusion Transformer (TFT) surpasse les autres, mettant en avant l’or et le DXY comme influenceurs clés dans le contexte des événements et des réglementations mondiaux²⁵. De plus, l’étude examine systématiquement les facteurs affectant les prix à terme de l’or, tels que le taux d’inflation, le taux d’intérêt, le prix du pétrole brut et l’indice du dollar américain, à l’aide de trois méthodes de prévision principales : les modèles de séries chronologiques traditionnels (ARIMA GARCH, ARDL), les modèles hybrides (MS-MIDAS-CJ, VMD-ICSS-BiGRU) et les méthodes d’apprentissage profond (SGRU-AM) DBN⁾²⁶. Les architectures de transformateurs ont un fort potentiel dans la prévision de séries chronologiques à long terme en capturant efficacement les dépendances à longue portée et en surpassant les modèles traditionnels basés sur des réseaux neuronaux récurrents (RNN)²⁷. L’étude a exploré la relation entre les prix de l’or et les principaux déterminants tels que les marchés boursiers, le pétrole brut, les taux de change, l’inflation et les taux d’intérêt. Il utilise des algorithmes d’apprentissage automatique pour trouver que la régression de gradient boosting est plus précise que la régression de forêt aléatoire pour prédire les prix de l’or¹⁴. L’étude a utilisé le modèle ARDL (Autoregressive Distribution Lag) pour prévoir les prix annuels de l’or en utilisant les taux des bons du Trésor, la demande d’or et les prix retardés de l’or comme covariables²⁸. Le modèle CNN-LSTM (Convolutifal Neural Network-Long Short-Term Memory) proposé pour la prévision du prix de l’or démontre des performances supérieures par rapport aux méthodes traditionnelles avec des valeurs MAE et RMSE plus faibles. L’incorporation de couches convolutives dans l’architecture LSTM améliore encore sa capacité à capturer à la fois des modèles à court terme et des dépendances à long terme dans les données²⁹.

Les prix futurs de l’or sont prédits à partir de quatre matières premières : les données historiques des prix de l’or, les prix de l’argent, les prix du pétrole brut et l’indice boursier Standard and Poor’s 500 (S&P500) et le taux de change en utilisant le modèle ELM (Extreme Learning Machine) avec une précision de 91,67 %⁴. Un modèle de réseau neuronal à perceptron multicouche (MLP) a été utilisé pour prédire les fluctuations des cours des actions et des prix de l’or sur la base des données de la Bourse de Téhéran (TSE). Le résultat a indiqué que le réseau neuronal artificiel a surpassé les modèles de prévision traditionnels en termes de précision de prédiction³⁰. L’étude a comparé LSTM avec les modèles de régression linéaire et a découvert que la régression linéaire a atteint un taux de précision légèrement supérieur de 53,02 % dans la prévision des fluctuations quotidiennes des prix de l’or. Cela suggère que des modèles encore plus simples peuvent être efficaces pour prédire les mouvements des prix de l’or, soulignant l’importance de comprendre les relations entre les prix de l’or et les facteurs économiques plus larges³¹. Les résultats expérimentaux de l’étude ont démontré que l’algorithme amélioré de colonie d’abeilles artificielles (ABC) surpasse l’approche ABC traditionnelle dans la prévision du prix de l’or en utilisant des réseaux neuronaux d’ondelettes³².

Plusieurs modèles prédictifs avancés ont été proposés pour la prévision de l’or et des marchés financiers. L’une des études a développé un modèle de prédiction du prix de l’or à l’aide d’un système d’inférence neuro-floue adaptatif (ANFIS) avec les prix passés de l’or comme entrées. Le modèle a prédit avec précision les prix de l’or le lendemain, surpassant les modèles ARIMA et CNN en termes de RMSE. Il a également dépassé les performances des stratégies Buy and Hold en générant des retours sur investissement nettement plus élevés, démontrant un fort potentiel pour les prévisions de prix de l’or³³. Une autre étude a intégré un ELM avec un système d’inférence floue (FIS) et a utilisé la technique d’optimisation CQCSA (Chaotic Quantum Crisscross Search Algorithm). Ce modèle hybride présente des performances supérieures dans la prédiction des prix de l’or et du pétrole³⁴. Une recherche a utilisé divers modèles d’apprentissage automatique pour prédire les marchés financiers pendant la période COVID-19, où les LSTM empilés vanille ont surpassé les autres approches de prévision de séries chronologiques. Les résultats ont souligné l’importance d’intégrer des variables non économiques aux données financières historiques pour les prévisions de marché à court terme³⁵. L’étude a exploré des modèles d’ensemble pour prédire les mouvements des cours des actions d’or et d’argent. Ces approches ont atteint des taux de précision notables de 85 % pour l’or et de 79 % pour l’argent, ce qui indique leur capacité à saisir la dynamique complexe du marché³⁶. Dans une autre étude portant sur les architectures d’apprentissage profond pour la prédiction du prix de l’or, le modèle BiLSTM (Bidirectional Long Short-Term Memory) a surpassé les LSTM standard en atteignant des valeurs R² plus élevées, des MAE plus faibles et des valeurs RMSE. En capturant efficacement les tendances temporelles à partir de données historiques normalisées, BiLSTM a démontré son potentiel à améliorer la précision des prévisions financières³⁷.

La prédiction précise des prix de l’or a longtemps posé un défi important aux investisseurs, aux analystes et aux décideurs politiques en raison de la nature volatile, non linéaire et multifactorielle des marchés financiers¹⁰. Les modèles statistiques traditionnels tels que l’ARIMA et les approches basées sur la régression ont montré des limites pour saisir les relations complexes et dynamiques inhérentes aux mouvements du prix de l’or, en particulier sous l’influence d’indicateurs macroéconomiques, de tensions géopolitiques et de changements financiers mondiaux¹⁹. Bien que l’ARIMA et les modèles similaires soient utiles pour les prévisions linéaires à court terme, ils n’ont pas la capacité de capturer la non-linéarité, les ruptures structurelles et les dépendances à long terme^18,38. Bien que les modèles d’apprentissage profond comme LSTM et GRU aient amélioré les performances de prédiction en apprenant des modèles séquentiels²⁰. Ces modèles souffrent encore de limitations intrinsèques telles que des gradients de disparition et des difficultés à modéliser les dépendances à long terme dans les données de séries chronologiques²⁹. De plus, bien que des modèles hybrides et d’ensemble aient été explorés, ils ont souvent du mal à s’adapter et à améliorer l’efficacité de calcul dans les ensembles de données financières à grande échelle²³. L’or, de plus en plus utilisé comme couverture contre l’inflation et l’incertitude économique, en particulier dans des pays comme l’Inde, où il revêt une importance culturelle et financière considérable, la demande de modèles prédictifs robustes et de haute précision est devenue primordiale². Les innovations récentes en matière d’apprentissage profond, en particulier l’architecture du transformateur connue pour son mécanisme d’auto-attention, ont montré des résultats prometteurs dans les tâches de prévision de séries chronologiques dans tous les domaines financiers¹⁷. Cependant, la littérature existante manque d’une étude complète des modèles de transformateurs spécifiquement pour la prédiction du prix de l’or à l’aide d’ensembles de données historiques à long terme enrichis de divers indicateurs économiques. La plupart des études précédentes se sont concentrées sur la prédiction à court terme ou ont utilisé des données d’entrée limitées, négligeant le plein potentiel des modèles de transformateurs pour capturer les tendances du marché à court et à long terme³¹.

Par conséquent, la présente étude comble les lacunes critiques de la recherche en proposant et en évaluant un modèle d’apprentissage profond de transformateur entraîné sur une décennie de données historiques sur le prix de l’or (2014-2024) collectées par une méthode de web scraping automatisée et reproductible à l’aide d’UiPath. Le modèle vise à améliorer la précision des prédictions, surpassant les modèles existants tels que LSTM, CNN-LSTM et la régression. Il s’agit d’un outil fiable pour les investisseurs et les décideurs politiques qui les aident à prendre des décisions éclairées dans un contexte d’incertitude sur les marchés²².

L’augmentation inexorable des prix de l’or a renforcé le besoin de prévisions, ce qui est plus important que jamais pour les investisseurs, les analystes financiers et les décideurs. L’or est largement valorisé comme une valeur refuge et joue un rôle clé dans les stratégies d’investissement, en particulier dans des pays comme l’Inde où il revêt une importance économique et culturelle. Dans un marché de plus en plus volatil et un environnement mondial d’incertitude, des prévisions fiables sont essentielles pour maximiser les rendements, gérer les risques et prendre des décisions financières judicieuses. L’étude est conçue pour développer un modèle de prévision du prix de l’or précis et efficace qui s’aligne sur les complexités des marchés financiers d’aujourd’hui.

Protocole

La méthodologie de cette recherche est un processus systématique conçu pour développer un modèle de transformateur pour la prédiction du prix de l’or. La collecte de données est la première étape où les données historiques sur le prix de l’or et les indicateurs financiers pertinents sont rassemblés pour former un ensemble de données complet. L’ensemble de données subit un prétraitement des données, le développement d’un modèle, une évaluation, des mesures de performance et enfin une prédiction du prix de l’or avec une explication détaillée dans les sections suivantes.

Collecte et fiabilité des données :
Les données historiques sur le prix de l’or pour cette étude ont été collectées à l’aide d’un processus automatisé développé sur la plateforme d’automatisation des processus robotiques (RPA) UiPath. L’ensemble de données a été obtenu auprès de Investing.com une plateforme financière largement utilisée et réputée, connue pour ses données structurées et précises sur les matières premières et les marchés³⁹. Il comprenait les valeurs quotidiennes pour la date, l’ouverture, la hausse, la basse, la clôture, le volume et la variation en pourcentage couvrant la période du 1er janvier 2014 au 31 décembre 2024 (tableau supplémentaire 1). L’automatisation a été programmée pour accéder à la page de données historiques appropriée, spécifier la plage de dates définie et exporter l’ensemble de données dans Excel. Pour améliorer la stabilité et la vitesse d’exécution, le processus a évité l’interface du sélecteur de calendrier et a incorporé des routines de validation, des délais et des vérifications conditionnelles pour s’adapter aux variations de page Web. Cette approche a permis d’extraire des données de manière efficace, reproductible et précise sans nécessiter d’intervention manuelle.

Pour garantir l’intégrité et la fiabilité des données, plusieurs étapes de validation telles que l’élément existe d’UiPath, les vérifications conditionnelles et les retards pour contrôler les chargements de pages dynamiques ont été incluses pour garantir l’intégrité et la fiabilité des données. Le web scraping à partir de sources externes peut être une méthode précieuse pour acquérir efficacement de grands ensembles de données. Cependant, il peut également présenter des défis tels que des formats de données incohérents, des modifications de la structure des pages Web ou des variations dans la disponibilité des données au fil du temps. L’outil de raclage est doté de procédures de gestion des erreurs et a subi des tests de fiabilité périodiques pour réduire ces risques. Pour confirmer l’exactitude, les données récupérées ont été recoupées au hasard avec des informations provenant d’autres sources, comme Yahoo Finance. Lors du prétraitement, le remplissage en aval et l’interpolation ont été utilisés pour gérer les jours non ouvrables et les enregistrements manquants. Cette méthode offre un moyen robuste mais efficace de produire un ensemble de données fiable et adapté aux modèles de Deep Learning.

Prétraitement des données :
Dans la présente étude, l’ensemble de données sur le prix de l’or a d’abord été chargé dans un DataFrame pandas pour créer un ensemble de données tabulaires pour l’analyse et examiné à l’aide de méthodes telles que info, describe et unique pour évaluer les types de données, les distributions statistiques et le nombre de valeurs uniques dans chaque colonne. L’ensemble de données a ensuite été trié par ordre croissant en fonction de son indice, assurant une organisation chronologique pour l’analyse des séries chronologiques. Les valeurs manquantes ont été identifiées et éliminées à l’aide de dropna, et les entrées en double ont été détectées à l’aide de la méthode dupliquée, puis supprimées avec drop_duplicates pour maintenir l’intégrité des données. Les noms de colonnes ont été normalisés pour plus de cohérence en renommant des variables telles que Prix à la clôture, Volume à Volume et Changement % à Changement, ce qui facilite la clarté dans une analyse plus approfondie. Au cours de ces étapes, l’ensemble de données a été nettoyé, structuré et préparé pour permettre une modélisation et une interprétation ultérieures précises et fiables.

Développement de modèles :
Le modèle de transformateur repose sur des mécanismes d’auto-attention plutôt que sur la récurrence ou la convolution, ce qui permet une modélisation de séquence efficace. Dans le contexte de la prévision de séries chronologiques, comme la prédiction du prix de l’or, cette architecture peut efficacement capturer les dépendances à long terme⁴⁰. Par conséquent, le modèle de transformateur de la figure 2 est utilisé pour la prédiction du prix de l’or en exploitant des techniques avancées d’apprentissage profond pour analyser les tendances historiques des prix. Après le prétraitement des données, les données d’entrée passent d’abord à travers une couche d’intégration, convertissant les caractéristiques numériques en représentations vectorielles denses, ce qui rend les données plus pertinentes pour l’analyse. L’encodage positionnel est appliqué pour conserver les informations temporelles. Chaque bloc d’encodeur contient un mécanisme d’attention multi-têtes avec 4 têtes d’attention suivies d’un réseau neuronal à anticipation. Chaque tête d’attention utilise l’attention par produit scalaire mis à l’échelle pour se concentrer sur les points de données historiques pertinents. Le modèle comporte quatre couches de codeur, chacune ayant une taille de couche interne de 512 et une dimensionnalité (d_model) de 128. Chaque sous-couche est suivie d’une régularisation des décrochages à un taux de 0,1 pour éviter le surapprentissage. L’utilisation constante de connexions résiduelles et la normalisation des couches stabilisent l’entraînement et améliorent la convergence. Un élément clé du modèle est le mécanisme d’attention qui identifie et hiérarchise les points de données passés les plus pertinents plutôt que de traiter toutes les valeurs historiques de la même manière. Cela permet au modèle de capturer des modèles et des dépendances importants dans les mouvements du prix de l’or. Les informations traitées sont ensuite transmises à travers une couche de réseau neuronal qui affine davantage les modèles et les relations pour améliorer la précision des prédictions. De plus, le modèle intègre plusieurs couches de transformateur empilées, ce qui renforce sa capacité à apprendre des tendances complexes et à améliorer les performances prédictives. Enfin, la précision du modèle est évaluée à l’aide de mesures de performance telles que l’erreur quadratique moyenne (MSE), l’erreur quadratique moyenne (RMSE) et le R carré (R²). Cette approche de transformation capture efficacement les dépendances à court et à long terme dans les données de séries chronologiques financières, ce qui la rend très efficace pour une prévision précise du prix de l’or.

Pour normaliser les fonctionnalités d’entrée, la mise à l’échelle Min-Max a été appliquée comme indiqué dans l’équation suivante.

Soit x une valeur de caractéristique, x_min et x_max le minimum et le maximum de la caractéristique⁴¹.

x : la valeur d’origine (le prix de l’or d’aujourd’hui).
x_min, x_min : le minimum et le maximum de la période d’entraînement de cette fonctionnalité.
[a, b] ; la plage cible (généralement [0, 1] ; parfois [-1, 1]).

Le cœur de l’encodeur de transformateur est le mécanisme d’attention du produit scalaire mis à l’échelle⁴⁰ défini comme suit :

Erreur quadratique moyenne (EQM)
Le modèle a été entraîné pour minimiser l’erreur quadratique moyenne (MSE) entre les valeurs prédites et réelles⁴².

MSE =

Erreur quadratique moyenne (EQM)
La performance a été évaluée à l’aide de l’erreur quadratique moyenne (EQM)⁴³, calculée comme suit :

EQM =

Formation et validation
L’ensemble de données est partitionné en trois sous-ensembles avec 80 % alloués à la formation, 10 % aux tests et 10 % à la validation. Le modèle est optimisé à l’aide de l’optimiseur Adam⁴⁴ avec une taille de lot de 64 et un taux d’apprentissage de 0,001. Pour éviter le surapprentissage, l’entraînement est effectué sur 50 époques avec un arrêt précoce basé sur la perte de validation. L’erreur quadratique moyenne (MSE) sert de fonction de perte. Les sorties cibles sont la valeur à t+30 et les entrées de séquence sont générées avec une fenêtre de recherche rétrospective de 30 jours (L = 30). Si nécessaire, le remplissage et le masquage sont appliqués pour préserver des longueurs de séquence constantes. TenSorFlow⁴⁵ a été utilisé pour mettre en œuvre le modèle, garantissant son évolutivité et sa reproductibilité. La reproductibilité est soutenue par ces spécifications complètes qui améliorent également la compréhension de l’adaptation de l’architecture du transformateur aux prévisions financières.

Test
L’évaluation finale du modèle de transformateur est effectuée à l’aide de l’ensemble de données de test comprenant les 10 % restants du total des données. Les prix de l’or prévus sont comparés aux valeurs réelles et les mesures de performance sont calculées pour mesurer la précision des prédictions.

Évaluation du modèle
La performance prédictive du modèle a été évaluée à l’aide de mesures statistiques clés telles que l’erreur quadratique moyenne (MSE), l’erreur quadratique moyenne (RMSE) et le R carré (R²). Les résultats sont présentés dans la section suivante.

Résultats

Dans l’analyse de l’étude, les mesures de performance ont été évaluées à l’aide de données historiques, ces mesures ont été utilisées pour donner une image complète de la façon dont le modèle de transformateur a prédit les prix futurs de l’or.

Dans la figure 3, le graphique en chandeliers du prix de l’or présente une représentation visuelle complète des fluctuations de prix, mettant l’accent sur les modèles significatifs, les corrections du marché et les intervall...

Discussion

La présente étude a proposé un modèle d’apprentissage profond de transformateur qui utilise des données récupérées par UiPath, une plate-forme automatisée assurant l’acquisition rapide et organisée de données financières pour prédire les prix à terme de l’or avec une précision et une fiabilité améliorées. Le modèle intègre des données sur le prix de l’or avec des indicateurs techniques importants tels que les mesures de volume, les moyennes mobiles à 30 et 100 jours, les tendances, la pr...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Source des données	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com est une plateforme de marchés financiers qui fournit des cotations de marché, des informations sur les actions, les contrats à terme, etc.   ;
Modèle de transformateur (Python implémenté dans Google Colab)	Google (en anglais)	https://colab.research.google.com/	Développement d’un code source python pour l’analyse des données afin d’extraire des informations des données, et ce code a été exécuté sur cet environnement virtuel Google Colab
Automatisation des processus robotiques UiPath  ;	UiPath, Inc.	https://www.uipath.com	Pour extraire les données de la source, et le code a été exécuté sur cette plateforme UiPath Studio.