מאמר מחקר

חיזוי מחיר חוזים עתידיים על זהב באמצעות מודלים של למידה עמוקה של שנאי עם נתונים שנגרדו באמצעות UiPath

DOI:

10.3791/68903

⸱

26 בספטמבר 2025

 , 
1VIT-AP University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר מפתח מודל למידה עמוקה של שנאי לחיזוי מדויק של מחירי הזהב באמצעות נתונים היסטוריים מ-2014 עד 2024. עם השגת דיוק של 93%, המודל עולה על השיטות המסורתיות על ידי לכידת מגמות ותלות מורכבות. הוא מסייע למשקיעים ולקובעי מדיניות בקבלת החלטות ומציע שיפורים עתידיים באמצעות ניתוח סנטימנט וגורמים גלובליים.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

זהב הוא אחד הסחורות היקרות והנסחרות ביותר בעולם, במיוחד בהודו, וממלא תפקיד משמעותי בשווקים הכלכליים והפיננסיים. מבחינה היסטורית, זהב היה אבן פינה של סחר בינלאומי ויציבות כלכלית, כאשר בנקים מרכזיים מחזיקים עתודות לניהול האינפלציה והחוב החיצוני. מחיר הזהב משמש כאינדיקטור כלכלי מרכזי המשפיע על מגמות השוק ואסטרטגיות ההשקעה. עם זאת, חיזוי מדויק של מחירי הזהב הוא מאתגר בשל האופי המורכב והלא ליניארי של השווקים הפיננסיים המושפעים מגורמים שונים כולל שיעורי ריבית, מיתון כלכלי, תנודות במחירי הנפט ואירועים גיאופוליטיים. מודל שנאי המחקר שימש לחיזוי מחירי הזהב היומיים שנאספו מ-investing.com באמצעות גירוד באינטרנט באמצעות UiPath. זוהי פלטפורמת אוטומציה רובוטית של תהליכים (RPA) לשמירה על שלמות הנתונים ושיפור ביצועי המודל, בוצעו פעולות עיבוד מקדים כגון טיפול בנתונים חסרים וקנה מידה של MinMax. המודל נבדק והוכשר על מדדי ביצועים מרכזיים והשיג שגיאה ממוצעת בריבוע (MSE) של 0.0224, שגיאה ממוצעת בריבוע שורש (RMSE) של 0.1496 ו-R בריבוע של 0.93, עם דיוק חיזוי גבוה. תוצאות המחקר מאשרות כי מודל השנאי מזהה ביעילות תנועות מחירים לטווח קצר ומגמות שוק ארוכות טווח ומציע שיטה מדויקת ואמינה יותר משיטות חיזוי מסורתיות. המחקר מספק הדרכה חשובה למשקיעים, אנליסטים פיננסיים וקובעי מדיניות בקבלת החלטות מושכלות בשוק מטילי הזהב. ניתן לשפר את המחקר העתידי על ידי הכללת מקורות נתונים חלופיים כגון סנטימנט מכותרות חדשות ומדיה חברתית שיכולים להציע תובנה עשירה יותר לגבי תנועות השוק.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

זהב הוא אחד הסחורות המשמעותיות ביותר בשווקים הפיננסיים, משאב כלכלי קריטי וכלי לבקרת מחירים. זהב מהווה חלק ניכר מעתודות הבנק המרכזי במדינות רבות1. לאחרונה, הזהב הפך ידוע יותר כגידור אינפלציה2. זהו נכס גידור מרכזי וחיזוי התנודתיות שלו משתפר באמצעות מודלים כלליים של Autoregressive Conditional Heteroskedasticity - Mixed Data Sampling (GARCH-MIDAS) המביאים בחשבון אסימטריה, קיצוניות וקפיצות3. הודו וסין הן היבואניות והצרכניות הגדולות ביותר של זהב המהוות כ-60% מהביקוש העולמי. העלייה המתמשכת במחירי הזהב המונעת על ידי דינמיקת השוק ויחסי הסחורות מיצבה את הזהב כהשקעה מועדפת לתשואות עתידיות4. בהודו היקף אחזקות הזהב הפיזיות הוא משמעותי כאשר משקי בית מתייחסים לעתים קרובות לזהב הן כנכס תרבותי והן כהגנה פיננסית. הביקוש שלו לזהב פיזי משפיע ישירות על מגמות השוק ומדגיש את הצורך לשקול את הרלוונטיות שלו בחיזוי מחירי הזהב 5,6. משקיעים מחפשים כל הזמן הזדמנויות השקעה המציעות את התשואות הגבוהות ביותר עם הסיכון הנמוך ביותר. בהקשר זה, הזהב משמש כנכס מקלט בטוח המספק ביטחון פיננסי בזמן אי ודאות כלכלית. בין חלופות ההשקעה המובילות בהודו ניתן למנות מניות, בנקים, פיקדונות, ביטוח, חיסכון בדואר זהב, חיסכון אחר ואפשרויות השקעה7. בהתחשב ביציבותו, זהב נחשב לאופציית ההשקעה האלטרנטיבית הטובה ביותר מבין אפשרויות השקעה שונות ונכס יקר ערך המגן מפני אינפלציה וסיכונים פיננסיים 1,8. קביעת מחיר הזהב מושפעת מגורמים כמו ביקוש לזהב, היצע, אינפלציה ושערי חליפין. ממצא מפתיע מצביע על כך שייסוף הדולר נמצא בקורלציה עם עלייה במחירי הזהב הפוטנציאלית עקב השקעה ספקולטיבית9. קשה לחזות את מחיר הזהב בגלל תנועת המחירים התנודתית, הבלתי צפויה, הלא ליניארית והבלתי נשלטתשלו 10. לכן, חיזוי מדויק של מחיר הזהב הוא חיוני עבור משקיעים, מנהלי תיקים וקובעי מדיניות שכן חיזוי משופר יכול להוביל להזדמנויות רווח משמעותיות11. מגמת המחירים הנוכחית של הזהב הגבוהה פי ארבעה מלפני שני עשורים והרצון לשמור על זהב מושכים משקיעים להשקיע בנכסים קשורים12. לכן, לפני השקעה בזהב כל משקיע חייב להבין את הגורמים העיקריים המשפיעים על מחירו13. בתעשייה הפיננסית, היכולת לחזות את כיוון מחירי הזהב היא חיונית, אפילו התקדמות קלה בחיזוי ביצועים יכולה להביא לרווחים, כסף חיוני לניהול חיים ותחזית פיננסית נכונה תתמוך בהתרחבות כלכלית14.

תרשים 1 בוחן את מגמות מחירי הזהב בהודו לאורך תקופה המשתרעת בין 2014 ל-2024 וכיצד מחירי הזהב מבוססים יותר ויותר על גורמים גלובליים כמו מדד הדולר, שער הקרנות הפדרליות, מדד המחירים לצרכן (CPI), שער החליפין, מחירי הנפט ו-S&P50015. גורמים אחרים כוללים מחזורי עסקים, שיעורי ריבית נומינליים, מחירי סחורות, שערי חליפין ומחירי מניות16. הוא מדגיש את שינויי המחירים המשמעותיים, התנודתיות בשוק ותקופה של התרחבות מתמשכת במחירי הזהב במיוחד בשנים האחרונות. המחירים הראו תנודתיות מועטה בין 2014 ל-2018, אולם ב-2019 נצפתה מגמת עלייה חזקה עם תנודות מחירים נוספות. מעמדו של הזהב כנכס מקלט בטוח התחזק על ידי עלייה משמעותית ב-2020, שנבעה ככל הנראה מחששות מאינפלציה ותהפוכות כלכליות. מחיר הסגירה עוקב מקרוב אחר מחיר הפתיחה, אך תנודתיות גדולה יותר, במיוחד לאחר 2020, מוצגת על ידי פערים רחבים יותר בין מחירים גבוהים ונמוכים. המחירים עלו בהתמדה במהלך מסגרת הזמן 2023-2024 והגיעו לשיאים של כל הזמנים. התרשים מראה כיצד הזהב עלה לאורך הזמן, מה שהופך אותו לנכס שימושי עבור אנליסטים ומשקיעים.

חיזוי מדויק של מחיר הזהב חיוני לקבלת החלטות מושכלות, אך הוא מאתגר בשל גורמים מורכבים כמו תנאים כלכליים וגיאופוליטיים17. מודלים מסורתיים כמו ממוצע נע משולב אוטומטי (ARIMA) מתקשים לעתים קרובות ללכוד את המורכבויות הללו, ומגבילים את דיוק החיזוי שלהם18,19. בניסיון להתגבר על מגבלות אלה, ההתקדמות האחרונה בלמידת מכונה ולמידה עמוקה שיפרה משמעותית את דיוק החיזוי הפיננסי. ניסויים הראו כי מודלים של למידה עמוקה כמו רשתות זיכרון לטווח קצר ארוך (LSTM) מתפקדים טוב יותר באופן משמעותי ממודלים סטטיסטיים מסורתיים על ידי לכידת קשרים ומגמות עוקבות במחירי הזהב20. מודלים היברידיים לחיזוי הם שיקול מרכזי בחיזוי מחירי הזהב בחישוב ביג דאטה וכלכלה21. עם זאת, ללא קשר לביצועים שלהם, למודלים חוזרים כמו זיכרון לטווח קצר ארוך (LSTM) ויחידה חוזרת מגודרת (GRU) יש מגבלות טבעיות כמו בעיות שיפוע נעלמות, מורכבות חישובית גבוהה וחוסר יכולת ללכוד קשרים ארוכי טווח שעלולים להשפיע על יעילותם בטיפול בנתוני סדרות זמן פיננסיות בקנה מידה גדול.

על מנת לגשר על הליקויים הללו ולשפר עוד יותר את הדיוק של חיזוי, מודלים של שנאי הם כעת בחירה אטרקטיבית בחיזוי סדרות זמן, בהשוואה לרשתות LSTM, שנאים ממנפים מנגנוני תשומת לב עצמית, ומכאן גורמים להם לזהות ביעילות דפוסים ארוכי טווח ותנודות לטווח קצר בנתונים פיננסיים ועיבוד מקביל כדי לשפר את המדרגיות. לרובוטריקים יש פוטנציאל ניכר לשפר את דיוק חיזוי מחיר הזהב בהתחשב ביעילותם בחיזוי השוק הפיננסי. המחקר הנוכחי נועד לפתח מודל שנאי לחיזוי מחירי זהב תוך שימוש במחירי זהב בעבר ונתונים כלכליים עיקריים המספקים גישה חזקה יותר לחיזוי זהב.

מחקרים קודמים חזו את מחיר הזהב באמצעות מספר טכניקות כמו רשתות עצביות, אלגוריתמים, למידת מכונה, למידה עמוקה ובינה מלאכותית. חלק מהמחקרים הקשורים לחיזוי מחירי הזהב הם כדלקמן:

רגרסיה של תהליך גאוס (GPR) התגלתה ככלי חזק לחיזוי מחירי מתכות עם יישומים בפלדה, נחושת ומתכות יקרות המדגישים את יעילותה בטיפול בנתונים פיננסיים בממדים גבוהים ואופטימיזציה של מודלים באמצעות שיטות בייסיאניות לחיזוי מדויק יותר של מחיר הזהב RMSE של 0.8722. המחקר מציג מודל היברידי חדשני המשלב רשת עצבית מבוססת גרעינים קונבולוציוניים אקראיים (RCK) עם הטרוסקדסטיות מותנית אוטורגרסיבית כללית (GARCH) כדי לחזות את התנודתיות של זהב, כסף ופלטינה. הדיוק של השיטה המוצעת גבוה ב-53% מזה של מודל GARCH-LSTM23. המחקר השתמש במודלים של ARIMA והולט-וינטרס כדי לחזות את מחירי הזהב ושיעורי האינפלציה העתידיים בהודו ובארצות הברית על ידי בחינת מדד המחירים לצרכן (CPI). זהב הוא גידור טוב מפני אינפלציה עבור משקיעים הודים ואמריקאיםכאחד 24. המחקר משווה מודלים של למידה עמוקה ולמידת מכונה כדי לנתח את הקשר של ביטקוין עם גורמים גלובליים כמו זהב, נפט, מדד הדולר האמריקאי (DXY) ושיעורי ריבית. Temporal Fusion Transformer (TFT) עולה על אחרים ומדגיש את הזהב ו-DXY כמשפיעים מרכזיים על רקע אירועים ותקנות גלובליים25. יתרה מכך, המחקר סוקר באופן שיטתי את הגורמים המשפיעים על מחירי החוזים העתידיים על זהב כמו שיעור האינפלציה, הריבית, מחיר הנפט הגולמי ומדד הדולר האמריקאי עם שלוש שיטות חיזוי עיקריות: מודלים מסורתיים של סדרות זמן (ARIMA GARCH, ARDL), מודלים היברידיים (MS-MIDAS-CJ, VMD-ICSS-BiGRU) ושיטות למידה עמוקה (SGRU-AM) DBN)26. לארכיטקטורות שנאים יש פוטנציאל חזק בחיזוי סדרות זמן ארוכות טווח על ידי לכידת תלות ארוכת טווח וביצועים טובים יותר ממודלים מסורתיים מבוססי רשת עצבית חוזרת (RNN)27. המחקר בחן את הקשר בין מחירי הזהב לגורמים מרכזיים כמו שוקי מניות, נפט גולמי, שערי חליפין, אינפלציה ושיעורי ריבית. הוא משתמש באלגוריתמים של למידת מכונה ומוצא רגרסיה להגברת שיפוע מדויקת יותר מרגרסיה אקראית של יער בחיזוי מחירי זהב14. המחקר השתמש במודל פיגור הפצה אוטורגרסיבי (ARDL) כדי לחזות את מחירי הזהב השנתיים באמצעות שיעורי אג"ח אוצר, ביקוש לזהב ומחירי זהב בפיגור כמשתנים משותפים28. המודל המוצע של רשת עצבית קונבולוציונית-זיכרון לטווח קצר (CNN-LSTM) לחיזוי מחירי זהב מדגים ביצועים מעולים בהשוואה לשיטות מסורתיות עם ערכי MAE ו-RMSE נמוכים יותר. שילוב שכבות קונבולוציוניות בארכיטקטורת LSTM משפר עוד יותר את יכולתה ללכוד הן דפוסים לטווח קצר והן תלות לטווח ארוך בנתונים29.

מחירי הזהב העתידיים צפויים מארבע סחורות: נתונים היסטוריים של מחירי הזהב, מחירי הכסף, מחירי הנפט הגולמי ומדד המניות Standard and Poor's 500 (S&P500) ושער החליפין באמצעות מודל Extreme Learning Machine (ELM) עם דיוק של 91.67%4. נעשה שימוש במודל רשת עצבית רב-שכבתית (MLP) כדי לחזות תנודות במחירי המניות ומחירי הזהב על סמך נתונים מהבורסה של טהראן (TSE). התוצאה הצביעה על כך שהרשת העצבית המלאכותית עלתה על מודלי החיזוי המסורתיים במונחים של דיוק חיזוי30. המחקר השווה את LSTM עם מודלים של רגרסיה ליניארית וגילה כי רגרסיה ליניארית השיגה שיעור דיוק גבוה יותר של 53.02% בחיזוי התנודות היומיות של מחירי הזהב. זה מצביע על כך שמודלים פשוטים עוד יותר יכולים להיות יעילים בחיזוי תנועות מחירי הזהב ומדגישים את החשיבות של הבנת הקשרים בין מחירי הזהב לגורמים כלכליים רחבים יותר31. מידול רשת עצבית של Wavelet (WNN) לחיזוי מחירי זהב תוצאות ניסוי הראו כי האלגוריתם המשופר של מושבת דבורים מלאכותית (ABC) עולה על גישת ABC המסורתית בחיזוי מחיר זהב תוך שימוש ברשתות עצביות של Wavelet32.

הוצעו מספר מודלים חיזויים מתקדמים לחיזוי זהב ושוק פיננסי. אחד המחקרים פיתח מודל חיזוי מחיר זהב באמצעות מערכת הסקה נוירו-מטושטשת אדפטיבית (ANFIS) עם מחירי זהב בעבר כתשומות. המודל חזה במדויק את מחירי הזהב למחרת, ועלו על מודלים של ARIMA ו-CNN במונחים של RMSE. זה גם עלה על הביצועים של אסטרטגיות קנייה והחזקה על ידי מתן תשואות גבוהות משמעותית על ההשקעה, מה שמדגים פוטנציאל חזק לתחזית מחיר הזהב33. מחקר אחר שילב ELM עם מערכת הסקה מטושטשת (FIS) והשתמש בטכניקת האופטימיזציה של אלגוריתם חיפוש קוונטי כאוטי (CQCSA). מודל היברידי זה מציג ביצועים מעולים בחיזוי מחירי הזהב והנפט34. מחקר השתמש במודלים שונים של למידת מכונה בחיזוי שווקים פיננסיים במהלך תקופת ה-COVID-19 שבה LSTMs Vanilla Stacked עלו על גישות אחרות בחיזוי סדרות זמן. הממצאים הדגישו את החשיבות של שילוב משתנים לא כלכליים לצד נתונים פיננסיים היסטוריים לתחזיות שוק לטווח קצר35. המחקר בחן מודלים של אנסמבל לחיזוי תנועות מחירי מניות הזהב והכסף. גישות אלה השיגו שיעורי דיוק בולטים של 85% לזהב ו-79% לכסף, מה שמעיד על יכולתן ללכוד דינמיקת שוק מורכבת36. במחקר אחר המתמקד בארכיטקטורות למידה עמוקה לחיזוי מחיר זהב, מודל הזיכרון הדו-כיווני לטווח קצר ארוך (BiLSTM) עלה על LSTMs סטנדרטיים על ידי השגת ערכי R2 גבוהים יותר, MAE ו-RMSE נמוכים יותר. על ידי לכידת דפוסים זמניים ביעילות מנתונים היסטוריים מנורמלים, BiLSTM הוכיחה את הפוטנציאל שלה לשפר את הדיוק של תחזיות פיננסיות37.

חיזוי מדויק של מחירי הזהב הציב זה מכבר אתגר משמעותי עבור משקיעים, אנליסטים וקובעי מדיניות בשל האופי התנודתי, הלא ליניארי והרב-גורמי של השווקים הפיננסיים10. מודלים סטטיסטיים מסורתיים כגון ARIMA וגישות מבוססות רגרסיה הראו מגבלות בלכידת היחסים המורכבים והדינמיים הטמונים בתנועות מחירי הזהב במיוחד בהשפעת אינדיקטורים מקרו-כלכליים, מתחים גיאופוליטיים ושינויים פיננסיים גלובליים19. בעוד ש-ARIMA ומודלים דומים שימושיים לחיזוי ליניארי לטווח קצר, הם חסרים את היכולת ללכוד אי-ליניאריות, שברים מבניים ותלות לטווח ארוך18,38. למרות שמודלים של למידה עמוקה כמו LSTM ו-GRU שיפרו את ביצועי החיזוי על ידי למידת דפוסים עוקבים20. מודלים אלה עדיין סובלים ממגבלות מהותיות כגון שיפועים נעלמים וקשיים במידול תלות ארוכת טווח בנתוני סדרות זמן29. יתר על כן, בעוד שמודלים היברידיים ואנסמבל נחקרו, הם נאבקים לעתים קרובות עם מדרגיות ויעילות חישובית במערכי נתונים פיננסיים בקנה מידה גדול23. זהב, המשמש יותר ויותר כגידור מפני אינפלציה ואי ודאות כלכלית, במיוחד במדינות כמו הודו, שבהן יש לו משמעות תרבותית ופיננסית משמעותית, הביקוש למודלים חיזויים חזקים ומדויקים הפך לחשובביותר. החידושים האחרונים בלמידה עמוקה, במיוחד ארכיטקטורת השנאי הידועה במנגנון תשומת הלב העצמית שלה, הראו תוצאות מבטיחות במשימות חיזוי סדרות זמן בתחומים פיננסיים17. עם זאת, הספרות הקיימת חסרה חקירה מקיפה של מודלים של שנאים במיוחד לחיזוי מחירי זהב באמצעות מערכי נתונים היסטוריים ארוכי טווח המועשרים באינדיקטורים כלכליים מגוונים. רוב המחקרים הקודמים התמקדו בחיזוי לטווח קצר או השתמשו בתשומות נתונים מוגבלות, והזניחו את מלוא הפוטנציאל של מודלים שנאים בלכידת מגמות שוק לטווח קצר וארוך31.

לכן, המחקר הנוכחי מתייחס לפער המחקרי הקריטי על ידי הצעה והערכה של מודל למידה עמוקה של שנאי שהוכשר על נתוני מחיר זהב היסטוריים של עשור (2014-2024) שנאספו באמצעות שיטת גירוד אינטרנט אוטומטית וניתנת לשחזור באמצעות UiPath. המודל נועד לשפר את דיוק החיזוי בביצועים טובים יותר ממודלים קיימים כמו LSTM, CNN-LSTM ורגרסיה. הוא מספק כלי אמין למשקיעים ולקובעי מדיניות בקבלת החלטות מושכלות תחת אי ודאות בשוק22.

העלייה הבלתי ניתנת לעצירה במחירי הזהב הגבירה את הצורך בחיזוי שחשוב מתמיד למשקיעים, אנליסטים פיננסיים וקובעי מדיניות. זהב מוערך באופן נרחב כנכס מקלט בטוח וממלא תפקיד מפתח באסטרטגיות השקעה במיוחד במדינות כמו הודו שבהן יש לו חשיבות כלכלית ותרבותית. בשוק תנודתי יותר ויותר ובסביבת אי ודאות גלובלית, תחזיות אמינות חיוניות למקסום תשואות, ניהול סיכונים וקבלת החלטות פיננסיות נכונות. המחקר נועד לפתח מודל חיזוי מחירי זהב מדויק ויעיל התואם את המורכבות של השווקים הפיננסיים של ימינו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המתודולוגיה למחקר זה היא תהליך שיטתי שנועד לפתח מודל שנאי לחיזוי מחירי זהב. איסוף נתונים הוא השלב הראשוני שבו נאספים נתוני מחיר זהב היסטוריים ואינדיקטורים פיננסיים רלוונטיים ליצירת מערך נתונים מקיף. מערך הנתונים עובר עיבוד מקדים של נתונים, פיתוח מודל, הערכה, מדדי ביצועים ולבסוף חיזוי מחיר זהב עם הסבר מפורט בסעיפים הבאים.

איסוף נתונים ומהימנותם:
נתוני מחיר הזהב ההיסטוריים עבור מחקר זה נאספו באמצעות תהליך אוטומטי שפותח בפלטפורמת UiPath Robotic Process Automation (RPA). מערך הנתונים התקבל מ-Investing.com פלטפורמה פיננסית בשימוש נרחב ובעלת מוניטין הידועה בנתוני הסחורות והשוק המובנים והמדויקים שלה39. הוא כלל ערכים יומיים עבור תאריך, פתיחה, גבוה, נמוך, סגירה, נפח ואחוז שינוי המכסים את התקופה שבין 1 בינואר 2014 ל-31 בדצמבר 2024 (טבלה משלימה 1). האוטומציה תוכנתה לנווט לדף הנתונים ההיסטוריים הרלוונטי, לציין את טווח התאריכים שהוגדר ולייצא את מערך הנתונים לאקסל. כדי לשפר את היציבות ומהירות הביצוע, התהליך נמנע מממשק בורר לוח השנה ושילב שגרות אימות, עיכובי זמן ובדיקות מותנות כדי להתאים לווריאציות של דפי אינטרנט. גישה זו אפשרה חילוץ נתונים יעיל, חוזר ומדויק ללא צורך בהתערבות ידנית.

כדי להבטיח את שלמות הנתונים ואמינותם, נכללו שלבי אימות מרובים כמו Element Exists של UiPath, בדיקות מותנות ועיכובים לשליטה בטעינת דפים דינמיים כדי להבטיח את שלמות הנתונים ואמינותם. גירוד באינטרנט ממקורות חיצוניים יכול להיות שיטה חשובה לרכישת מערכי נתונים גדולים ביעילות. עם זאת, הוא עשוי גם להציג אתגרים כגון פורמטים לא עקביים של נתונים, שינויים במבנה דפי האינטרנט או שינויים בזמינות הנתונים לאורך זמן. לכלי הגירוד נהלים לטיפול בשגיאות ועבר בדיקות אמינות תקופתיות כדי להפחית סיכונים אלה. כדי לאשר את נכונותם, הנתונים שאוחזרו הוצלבו באקראי עם מידע ממקורות אחרים, כמו Yahoo Finance. במהלך העיבוד המקדים, נעשה שימוש במילוי קדימה ואינטרפולציה לניהול ימים שאינם מסחר ורשומות חסרות. שיטה זו מציעה דרך חזקה אך יעילה לייצר מערך נתונים אמין המתאים למודלים של למידה עמוקה.

עיבוד מקדים של נתונים:
במחקר הנוכחי מערך הנתונים של מחיר הזהב נטען לראשונה לתוך מסגרת נתונים של פנדות כדי ליצור מערך נתונים טבלאי לניתוח ונבדק באמצעות שיטות כגון מידע, תיאור וייחודי להערכת סוגי נתונים, התפלגויות סטטיסטיות ומספר הערכים הייחודיים בכל עמודה. לאחר מכן מערך הנתונים ממוין בסדר עולה על סמך האינדקס שלו, מה שמבטיח סידור כרונולוגי לניתוח סדרות זמן. ערכים חסרים זוהו ובוטלו באמצעות dropna וערכים כפולים זוהו בשיטה המשוכפלת ולאחר מכן הוסרו עם drop_duplicates כדי לשמור על שלמות הנתונים. שמות העמודות תוקננו לעקביות על ידי שינוי שמות משתנים כמו מחיר לסגירה, נפח לנפח ושינוי % לשינוי, ובכך להקל על בהירות בניתוח נוסף. באמצעות שלבים אלה, מערך הנתונים נוקה, נבנה והוכן כדי לתמוך במודלים ופרשנות מדויקים ואמינים לאחר מכן.

פיתוח דגם:
מודל השנאי מסתמך על מנגנוני תשומת לב עצמית ולא על הישנות או קונבולוציה המאפשרים מידול רצף יעיל. בהקשר של חיזוי סדרות זמן, כגון חיזוי מחיר זהב, ארכיטקטורה זו יכולה ללכוד ביעילות תלות ארוכת טווח40. לפיכך, מודל השנאי באיור 2 משמש לחיזוי מחיר זהב על ידי מינוף טכניקות למידה עמוקה מתקדמות לניתוח מגמות מחירים היסטוריות. לאחר עיבוד מקדים של נתונים, נתוני הקלט עוברים תחילה דרך שכבת הטמעה, הממירים תכונות מספריות לייצוגים וקטוריים צפופים, מה שהופך את הנתונים למשמעותיים יותר לניתוח. קידוד מיקום מיושם כדי לשמור על מידע זמני. כל בלוק מקודד מכיל מנגנון קשב רב-ראשי עם 4 ראשי קשב ואחריהם רשת עצבית הזנה קדימה. כל ראש קשב משתמש בתשומת לב נקודתית-מוצר בקנה מידה כדי להתמקד בנקודות נתונים היסטוריות רלוונטיות. לדגם ארבע שכבות מקודד שלכל אחת מהן גודל שכבה פנימית של 512 וממד (d_model) של 128. לאחר כל תת-שכבה, הסדרת נשירה בשיעור של 0.1 כדי למנוע התאמת יתר. שימוש מתמיד בחיבורים שיוריים ונורמליזציה של שכבות מייצב את האימון ומשפר את ההתכנסות. מרכיב מרכזי במודל הוא מנגנון הקשב המזהה ומתעדף את נקודות הנתונים הרלוונטיות ביותר מהעבר במקום להתייחס לכל הערכים ההיסטוריים באופן שווה. זה מאפשר למודל ללכוד דפוסים ותלות חשובים בתנועות מחירי הזהב. המידע המעובד מועבר לאחר מכן דרך שכבת רשת עצבית אשר מעדנת עוד יותר את הדפוסים והיחסים כדי לשפר את דיוק החיזוי. בנוסף, המודל משלב מספר שכבות שנאי מוערמות המחזקות את יכולתו ללמוד מגמות מורכבות ולשפר את ביצועי החיזוי. לבסוף, דיוק המודל מוערך באמצעות מדדי ביצועים כגון שגיאה ממוצעת בריבוע (MSE), שגיאה ממוצעת בריבוע שורש (RMSE) ו-R בריבוע (R2). גישת שנאי זו לוכדת ביעילות תלות לטווח קצר וארוך בנתוני סדרות זמן פיננסיות, מה שהופך אותה ליעילה ביותר לחיזוי מדויק של מחירי זהב.

כדי לנרמל את תכונות הקלט, הוחל קנה מידה מינימלי-מקסימלי כפי שמוצג במשוואה הבאה.

נניח ש-x יהיה ערך תכונה, xmin ו-x max יהיו המינימום והמקסימום של התכונה41.

figure-protocol-1

X: הערך המקורי (מחיר הזהב של היום).
xדקות, xדקות: המינימום והמקסימום של תקופת האימון של תכונה זו.
[א, ב]; טווח המטרה (בדרך כלל [0, 1]; לפעמים [-1, 1]).

הליבה של מקודד השנאי היא מנגנון תשומת הלב של תוצר הנקודה40 המוגדר כ:

שגיאה ריבועית ממוצעת (MSE)
המודל אומן למזער את השגיאה הריבועית הממוצעת (MSE) בין ערכים חזויים לערכים בפועל42.

MSE = figure-protocol-2

שגיאה ריבועית ממוצעת שורשית (RMSE)
הביצועים הוערכו באמצעות שגיאת שורש ממוצע ריבועי (RMSE)43, המחושבת כ

RMSE = figure-protocol-3

הדרכה וולידציה
מערך הנתונים מחולק לשלוש תת-קבוצות כאשר 80% מוקצים להדרכה, 10% לבדיקה ו-10% לאימות. המודל מותאם באמצעות Adam optimizer44 עם גודל אצווה של 64 וקצב למידה של 0.001. כדי למנוע התאמת יתר, מתבצעת הדרכה במשך 50 תקופות עם עצירה מוקדמת על סמך אובדן אימות. שגיאה ריבועית ממוצעת (MSE) משמשת כפונקציית ההפסד. תפוקות היעד הן הערך ב-t+30 וכניסות רצף נוצרות עם חלון מבט לאחור של 30 יום (L = 30). במידת הצורך מוחלים ריפוד ומיסוך כדי לשמור על אורכי רצף קבועים. TenSorFlow45 שימש ליישום המודל המבטיח את יכולת ההרחבה והשחזור שלו. יכולת השחזור נתמכת על ידי מפרטים מקיפים אלה המשפרים גם את ההבנה של התאמת ארכיטקטורת השנאי לחיזוי פיננסי.

בדיקות
ההערכה הסופית של מודל השנאי מתבצעת באמצעות מערך נתוני הבדיקה הכולל את 10% הנותרים מסך הנתונים. מחירי הזהב החזויים מושווים לערכים בפועל ומדדי הביצועים מחושבים כדי למדוד את דיוק החיזוי.

הערכת מודל
ביצועי החיזוי של המודל הוערכו באמצעות מדדים סטטיסטיים מרכזיים כמו שגיאה ממוצעת בריבוע (MSE), שגיאה ממוצעת בריבוע שורש (RMSE) ו-R בריבוע (R2). התוצאות מוצגות בחלק הבא.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בניתוח המחקר, מדדי הביצועים הוערכו באמצעות נתונים היסטוריים, מדדים אלה שימשו כדי לתת תמונה מקיפה עד כמה מודל השנאי חזה את מחירי הזהב העתידיים.

באיור 3, תרשים הפמוטים של מחיר הזהב מציג ייצוג חזותי יסודי של תנודות מחירים, תוך שימת דגש על דפוסים משמעותיים, תיקוני שוק ומרווחים יציבים לאורך זמן. כדי להקל על מעקב אחר תנועות השוק, כל נר מייצג תקופת מסחר מובחנת, נרות אדומים מציינים הפסדים, בעוד שנרות ירוקים מציגים עליות מחירים. מחירי הזהב נותרו יציבים ברובם בין 2014 ל-201...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר הנוכחי הציע מודל למידה עמוקה של שנאי המשתמש בנתונים שנגרדו על ידי UiPath, פלטפורמה אוטומטית המבטיחה רכישה בזמן ומאורגנת של נתונים פיננסיים כדי לחזות את מחירי החוזים העתידיים על הזהב בדיוק ואמינות משופרים. המודל משלב נתונים על מחיר הזהב עם אינדיקטורים טכניים חשובים כמו מדדי נפח, ממוצעים נעים של 30 יום ו-100 יום, מגמות, תחזית מחיר זהב ודפוסי נרות. ביצועים טובים יותר ממודלים קונבנציונליים כמו LSTM, CNN-LSTM ורגרסיה ליניארית, מודל השנאי לוכד ביעילות מערכות יחסים קצרות וארוכות טווח בסדר...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין ניגוד אינטרסים בעבודת מחקר זו.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה נתמך על ידי אוניברסיטת VIT-AP, אמראווטי, הודו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מקור נתוניםInvesting.comhttps://in.investing.com/commodities/gold-historical-dataInvesting.com היא פלטפורמת שוק פיננסי המספקת ציטוטי שוק, מידע על מניות, חוזים עתידיים וכו'.  
מודל שנאי (Python מיושם ב-Google Colab)גוגלhttps://colab.research.google.com/פיתח קוד מקור של python לניתוח נתונים כדי לחלץ תובנות מנתונים, והקוד הזה בוצע בסביבה הווירטואלית הזו של Google Colab
אוטומציה רובוטית של תהליכים UiPath UiPath, Inc.https://www.uipath.comכדי לחלץ את הנתונים מהמקור, והקוד בוצע בפלטפורמה זו UiPath Studio.

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41 (2), 257-266 (2015).
  2. Oloko, T. F., Ogbonna, A. E., Adedeji, A. A., Lakhani, N. Oil price shocks and inflation rate persistence: A fractional cointegration VAR approach. Econ Anal Policy. 70, 259-275 (2021).
  3. Li, X., et al. Forecasting regular and extreme gold price volatility: The roles of asymmetry, extreme event, and jump. J Forecast. 40 (8), 1501-1523 (2021).
  4. Kumar, C. S., Mahendran, S. Forecasting gold price based on extreme learning machine. Int J Comput Commun Control. 11 (3), 372(2016).
  5. India gold market insights: Gold demand trends. , World Gold Council. https://www.gold.org/goldhub/research (2023).
  6. Baur, D. G., Lucey, B. M. Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financ Rev. 45 (2), 217-229 (2010).
  7. Dhawan, S. Top 10 investment options. The Economic Times. , https://economictimes.indiatimes.com/wealth/invest/top-10-investment-options/articleshow/64066079.cms (2022).
  8. Reboredo, J. C. Is gold a safe haven or a hedge for the US dollar? Implications for risk management. J Bank Financ. 37 (8), 2665-2676 (2013).
  9. Farhat, S., Ghalayini, L. Modeling and forecasting gold price s. Research Square. , (2020).
  10. Salim, M., Djunaidy, A. Development of a CNN-LSTM approach with images as time-series data representation for predicting gold prices. Procedia Comput Sci. 234, 333-340 (2024).
  11. Gold price forecasting and related influence factors analysis based on random forest. Liu, D., Li, Z. Proc 10th Int Conf Manag Sci Eng Manag, 59, 711-723 (2017).
  12. Marchiv, D. e, Lee, J., Gereffi, G. Globalization, recession and the internationalization of industrial districts: Experiences from the Italian gold jewellery industry. Eur Plan Stud. 22 (4), 866-884 (2014).
  13. Mestre, R. A wavelet approach of investing behaviors and their effects on risk exposures. Financ Innov. 24 (1), 1-37 (2021).
  14. Gold price prediction using random forest algorithm. Landge, U., Phokmare, U., Borane, N., Shelke, P. Proceedings of the 3rd International Conference on Applied Artificial Intelligence and Computing (ICAAIC), , (2024).
  15. Ho, T. T., Vo, T. N. Factors affecting the disparity of Vietnamese gold prices and worldwide gold prices. J Compet. 11 (3), 160-172 (2019).
  16. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41, 257-266 (2025).
  17. Cohen, G., Aiche, A. Forecasting gold price using machine learning methodologies. Chaos Solitons Fractals. 175 (3), 114-179 (2023).
  18. Bandyopadhyay, G. Gold price forecasting using ARIMA model. J Adv Manag Sci. 4 (2), (2026).
  19. Prediction of gold price with ARIMA and SVM. Makala, D., Li, Z. J Phys Conf Ser, 1767 (1), 012-022 (2021).
  20. Prediction of gold price using deep learning. Dhanush, N., et al. IEEE 9th Region 10 Humanitarian Technology Conference (R10-HTC), , IEEE. (2021).
  21. Guo, Y., Li, C., Wang, X., Duan, Y. Gold price prediction using two-layer decomposition and XGBoost optimized by the whale optimization algorithm. Comput Econ. 66, 1157-1189 (2024).
  22. Jin, B., Xu, X. Machine learning gold price forecasting. J Manag Sci Eng Manag. 20 (2), 273-285 (2025).
  23. Sai, S., Giri, A. K., Chamola, V. A novel hybrid random convolutional kernels model for price volatility forecasting of precious metals. Expert Syst. 42 (2), e13738(2025).
  24. Khetan, M. Forecasting gold price and inflation for India and US: An analysis of ARIMA and Holt Winters models. XXXI (2), 255-268 (2024).
  25. Köse, N., Gür, Y. E., Ünal, E. Deep learning and machine learning insights into the global economic drivers of the bitcoin price. J Forecast. 44 (5), 1666-1698 (2025).
  26. He, T. Gold futures price forecast based on artificial intelligence. Advances in Economics, Management and Political Sciences. 174 (1), 27-33 (2025).
  27. Informer: Beyond efficient transformer for long sequence time-series forecasting. Zhou, H., et al. Thirty-Fifth AAAI Conf Artif Intell, , 11106-11115 (2021).
  28. Madziwa, L., Pillalamarry, M., Chatterjee, S. Gold price forecasting using multivariate stochastic model. Resour Policy. 76, 102-544 (2022).
  29. Livieris, I. E., Pintelas, E., Pintelas, P. A CNN-LSTM model for gold price time-series forecasting. Neural Comput Appl. 32 (23), 17351-17360 (2020).
  30. Ghezelbash, A. Predicting changes in stock index and gold prices to neural network approach. J Math Comput Sci. 4 (2), 227-236 (2012).
  31. Research on gold price forecasting based on LSTM and linear regression. Gong, W. SHS Web Conf, 181, 020-105 (2024).
  32. Li, B. Research on WNN modeling for gold price forecasting based on improved artificial bee colony algorithm. Comput Intell Neurosci. 2014, 270658(2014).
  33. Makridou, G., et al. Gold price forecasting with a neuro-fuzzy-based inference system. Int J Financ Eng Risk Manag. 1 (1), 35-54 (2013).
  34. Das, S., Sahu, T. P., Janghel, R. R. Oil and gold price prediction using optimized fuzzy inference system based extreme learning machine. Resour Policy. 79, 103-109 (2022).
  35. Mohtasham Khani, M., Vahidnia, S., Abbasi, A. A deep learning-based method for forecasting gold price with respect to pandemics. SN Comput Sci. 2 (4), 1-12 (2021).
  36. Prediction of gold and silver stock price using ensemble models. Mahato, P. K., Attar, V. IEEE Int Conf Adv Eng Technol Res (ICAETR), , (2014).
  37. Zangana, H. M. Deep learning-based gold price prediction: A novel approach using time series analysis. J Sist Inf. 13 (6), 1-12 (2024).
  38. Zhang, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 50, 159-175 (2003).
  39. Bitcoin price prediction using machine learning. Bandlamuri, R., et al. AIP Conf Proc, 2869 (1), 1-9 (2023).
  40. Attention is all you need. Vaswani, A., et al. Proc 31st Conf Neural Inf Process Syst (NeurIPS), , (2017).
  41. Jain, A., Zongker, D. Feature selection: Evaluation, application, and small sample performance. IEEE Trans Pattern Anal Mach Intell. 19 (2), 153-158 (1997).
  42. Chai, T., Draxler, R. R. Root mean square error (RMSE) or mean absolute error (MAE)? - Arguments against avoiding RMSE in the literature. Geosci Model Dev. 7 (3), 1247-1250 (2014).
  43. Willmott, C., Matsuura, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim Res. 30, 79-82 (2025).
  44. Adam: A method for stochastic optimization. Kingma, D. P., Ba, J. L. 3rd Int Conf Learn Represent (ICLR), , (2015).
  45. Abadi, D., et al. TensorFlow: A system for large-scale machine learning. ArXiV. , (2016).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

TransformerWeb ScrapingUiPath

מאמרים קשורים