Previsione del prezzo dei futures sull'oro utilizzando modelli di deep learning Transformer con dati raschiati tramite UiPath

Sommario

Lo studio sviluppa un modello di deep learning a trasformatore per prevedere con precisione i prezzi dell'oro utilizzando i dati storici dal 2014 al 2024. Con un'accuratezza del 93%, il modello supera i metodi tradizionali catturando tendenze e dipendenze complesse. Aiuta gli investitori e i responsabili politici nel processo decisionale e suggerisce miglioramenti futuri utilizzando l'analisi del sentiment e i fattori globali.

Abstract

L'oro è una delle materie prime più preziose e scambiate in tutto il mondo, in particolare in India, e svolge un ruolo significativo nei mercati economici e finanziari. Storicamente, l'oro è stato una pietra miliare del commercio internazionale e della stabilità economica, con le banche centrali che hanno mantenuto riserve per gestire l'inflazione e il debito estero. Il prezzo dell'oro funge da indicatore economico chiave che influenza le tendenze del mercato e le strategie di investimento. Tuttavia, prevedere con precisione i prezzi dell'oro è difficile a causa della natura complessa e non lineare dei mercati finanziari, che sono influenzati da vari fattori tra cui tassi di interesse, recessioni economiche, fluttuazioni del prezzo del petrolio ed eventi geopolitici. Il modello del trasformatore di studio è stato utilizzato per prevedere i prezzi giornalieri dell'oro raccolti da investing.com attraverso il web scraping utilizzando UiPath. Si tratta di una piattaforma di automazione robotica dei processi (RPA) per preservare l'integrità dei dati e migliorare le prestazioni del modello, sono state eseguite operazioni di pre-elaborazione come la gestione dei dati mancanti e il ridimensionamento MinMax. Il modello è stato testato e addestrato in base alle metriche chiave delle prestazioni e ha ottenuto un errore quadratico medio (MSE) di 0,0224, un errore quadratico medio (RMSE) di 0,1496 e un R-quadrato di 0,93, con un'elevata precisione di previsione. I risultati dello studio confermano che il modello a trasformatore rileva in modo efficiente i movimenti dei prezzi a breve termine e le tendenze del mercato a lungo termine, offrendo un metodo più accurato e affidabile rispetto ai metodi di previsione tradizionali. Lo studio fornisce una guida preziosa agli investitori, agli analisti finanziari e ai responsabili politici nel prendere decisioni informate nel mercato dei lingotti d'oro. La ricerca futura può essere migliorata includendo fonti di dati alternative, come il sentiment dai titoli delle notizie e dai social media, che possono potenzialmente offrire una visione più ricca dei movimenti del mercato.

Introduzione

L'oro è una delle materie prime più significative nei mercati finanziari, una risorsa economica fondamentale e uno strumento di controllo dei prezzi. L'oro costituisce una parte sostanziale delle riserve delle banche centrali in molti paesi¹. Di recente, l'oro è diventato più noto come copertura contro l'inflazione². Si tratta di un asset di copertura chiave e la sua previsione della volatilità migliora utilizzando i modelli GARCH-MIDAS (Generalized Autoregressive Conditional Heteroskedasticity - Mixed Data Salling) che tengono conto dell'asimmetria, degli estremi e dei salti³. L'India e la Cina sono i maggiori importatori e consumatori di oro, rappresentando circa il 60% della domanda globale. Il continuo aumento dei prezzi dell'oro, guidato dalle dinamiche di mercato e dalle relazioni con le materie prime, ha posizionato l'oro come investimento preferito per i rendimenti futuri⁴. In India, l'entità delle riserve di oro fisico è sostanziale, con le famiglie che spesso trattano l'oro sia come un bene culturale che come una salvaguardia finanziaria. La sua domanda di oro fisico influisce direttamente sulle tendenze del mercato, sottolineando la necessità di considerare la sua rilevanza nelle previsioni del prezzo dell'oro ^5,6. Gli investitori sono costantemente alla ricerca di opportunità di investimento che offrano i rendimenti più elevati con il minor rischio. A questo proposito, l'oro funge da bene rifugio che fornisce sicurezza finanziaria durante le incertezze economiche. Tra le migliori alternative di investimento in India ci sono azioni, banche, depositi, assicurazioni, risparmio postale in oro, altri risparmi e opzioni di investimento⁷. Data la sua stabilità, l'oro è ampiamente considerato come la migliore opzione di investimento alternativa tra le varie opzioni di investimento e un bene prezioso che protegge dall'inflazione e dai rischi finanziari ^1,8. La determinazione del prezzo dell'oro è influenzata da fattori come la domanda, l'offerta, l'inflazione e i tassi di cambio. Un risultato sorprendente indica che l'apprezzamento del dollaro è correlato all'aumento dei prezzi dell'oro potenzialmente dovuto a investimenti speculativi⁹. È difficile prevedere il prezzo dell'oro a causa del suo movimento di prezzo volatile, imprevedibile, non lineare e incontrollabile¹⁰. Pertanto, una previsione accurata del prezzo dell'oro è fondamentale per gli investitori, i gestori di portafoglio e i responsabili politici, poiché una migliore previsione può portare a significative opportunità di profitto¹¹. L'attuale tendenza del prezzo dell'oro, che è quattro volte superiore a quello di due decenni fa, e il desiderio di mantenere l'oro attirano gli investitori a investire in attività correlate¹². Pertanto, prima di investire in oro, ogni investitore deve comprendere i fattori chiave che influenzano il suo prezzo¹³. Nel settore finanziario, la capacità di prevedere la direzione dei prezzi dell'oro è essenziale, anche piccoli progressi nella previsione delle prestazioni possono portare a profitti, il denaro è essenziale per condurre una vita e una solida previsione finanziaria sosterrà^l'espansione economica.

La Figura 1 esplora le tendenze del prezzo dell'oro in India in un periodo di tempo che va dal 2014 al 2024 e come i prezzi dell'oro siano sempre più basati su fattori globali come l'indice del dollaro, il tasso dei fondi federali, l'indice dei prezzi al consumo (CPI), il tasso di cambio, i prezzi del petrolio e l'S&P500¹⁵. Altri fattori includono i cicli economici, i tassi di interesse nominali, i prezzi delle materie prime, i tassi di cambio e i corsi delle azioni¹⁶. Evidenzia le significative variazioni di prezzo, la volatilità del mercato e un periodo di espansione sostenuta dei prezzi dell'oro, in particolare negli ultimi anni. I prezzi hanno mostrato poca volatilità tra il 2014 e il 2018, tuttavia, nel 2019 è stata osservata una robusta tendenza all'aumento con maggiori oscillazioni dei prezzi. La posizione dell'oro come bene rifugio è stata rafforzata da un aumento sostanziale nel 2020, molto probabilmente causato dalle preoccupazioni per l'inflazione e gli sconvolgimenti economici. Il prezzo di chiusura segue da vicino il prezzo di apertura, ma una maggiore volatilità, in particolare dopo il 2020, è mostrata da divari più ampi tra i prezzi massimi e bassi. I prezzi sono aumentati costantemente nel periodo 2023-2024, raggiungendo i massimi storici. Il grafico mostra come l'oro si sia apprezzato nel tempo, rendendolo un asset utile per analisti e investitori.

Una previsione accurata del prezzo dell'oro è fondamentale per un processo decisionale informato, ma è difficile a causa di fattori complessi come le condizioni economiche e geopolitiche¹⁷. I modelli tradizionali come la media mobile integrata autoregressiva (ARIMA) spesso faticano a catturare queste complessità, limitandone l'accuratezza predittiva^18,19. Nel tentativo di superare queste limitazioni, i recenti progressi nell'apprendimento automatico e nell'apprendimento profondo hanno migliorato significativamente l'accuratezza delle previsioni finanziarie. Gli esperimenti hanno dimostrato che i modelli di deep learning come le reti LSTM (Long Short-Term Memory) hanno prestazioni significativamente migliori rispetto ai modelli statistici tradizionali, catturando relazioni sequenziali e tendenze dei prezzi dell'oro²⁰. I modelli di previsione ibridi sono una considerazione chiave nella previsione dei prezzi dell'oro nel calcolo dei big data e nell'economia²¹. Tuttavia, indipendentemente dalle loro prestazioni, i modelli ricorrenti come la memoria a breve termine lunga (LSTM) e l'unità ricorrente gated (GRU) presentano limitazioni naturali come problemi di gradiente che scompaiono, elevata complessità computazionale e incapacità di catturare relazioni a lungo raggio che possono influire sulla loro efficienza nella gestione dei dati delle serie temporali finanziarie su larga scala.

Al fine di colmare queste lacune e migliorare ulteriormente l'accuratezza della previsione, i modelli di trasformatori sono ora una scelta interessante nella previsione di serie temporali, rispetto alle reti LSTM, i trasformatori sfruttano meccanismi di auto-attenzione, rendendoli quindi in grado di rilevare efficacemente modelli a lungo termine e oscillazioni a breve termine nei dati finanziari e nell'elaborazione parallela per migliorare la scalabilità. I trasformatori hanno un notevole potenziale per migliorare l'accuratezza delle previsioni del prezzo dell'oro, data la loro efficacia nelle previsioni dei mercati finanziari. Il presente studio mira a sviluppare un modello a trasformatore per la previsione del prezzo dell'oro utilizzando i prezzi dell'oro passati e i principali dati economici fornendo un approccio più robusto per la previsione dell'oro.

Studi precedenti avevano previsto il prezzo dell'oro utilizzando diverse tecniche come reti neurali, algoritmi, apprendimento automatico, deep learning e intelligenza artificiale. Alcuni degli studi relativi alla previsione del prezzo dell'oro sono i seguenti:

La regressione del processo gaussiano (GPR) è emersa come uno strumento robusto per la previsione dei prezzi dei metalli, con applicazioni in acciaio, rame e metalli preziosi che ne evidenziano l'efficacia nella gestione di dati finanziari ad alta dimensione e nell'ottimizzazione dei modelli attraverso metodi bayesiani per prevedere il prezzo dell'oro in modo più accurato RMSE di 0,87²². Lo studio presenta un nuovo modello ibrido che combina una rete neurale basata su kernel convoluzionali casuali (RCK) con l'eteroschedasticità condizionale autoregressiva generalizzata (GARCH) per prevedere la volatilità di oro, argento e platino. L'accuratezza del metodo suggerito è superiore del 53% rispetto a quella del modello GARCH-LSTM²³. Lo studio ha utilizzato i modelli ARIMA e Holt-Winters per prevedere i futuri prezzi dell'oro e i tassi di inflazione in India e negli Stati Uniti considerando l'indice dei prezzi al consumo (CPI). L'oro è una buona copertura contro l'inflazione sia per gli investitori indiani che per quelli statunitensi²⁴. Lo studio confronta i modelli di deep learning e machine learning per analizzare la relazione di Bitcoin con fattori globali come oro, petrolio, indice del dollaro USA (DXY) e tassi di interesse. Il Temporal Fusion Transformer (TFT) supera gli altri, evidenziando l'oro e il DXY come fattori chiave in un contesto di eventi e normative globali²⁵. Inoltre, lo studio esamina sistematicamente i fattori che influenzano i prezzi dei futures sull'oro, come il tasso di inflazione, il tasso di interesse, il prezzo del greggio e l'indice del dollaro USA, con tre principali metodi di previsione: modelli di serie temporali tradizionali (ARIMA GARCH, ARDL), modelli ibridi (MS-MIDAS-CJ, VMD-ICSS-BiGRU) e metodi di deep learning (SGRU-AM) DBN⁾²⁶. Le architetture dei trasformatori hanno un forte potenziale nella previsione di serie temporali a lungo termine, catturando efficacemente le dipendenze a lungo raggio e superando i tradizionali modelli basati su reti neurali ricorrenti (RNN)²⁷. Lo studio ha esplorato la relazione tra i prezzi dell'oro e fattori determinanti chiave come i mercati azionari, il petrolio greggio, i tassi di cambio, l'inflazione e i tassi di interesse. Utilizza algoritmi di apprendimento automatico che scoprono che la regressione con aumento del gradiente è più accurata della regressione casuale della foresta nella previsione dei prezzi dell'oro¹⁴. Lo studio ha utilizzato il modello Autoregressive Distribution Lag (ARDL) per prevedere i prezzi annuali dell'oro utilizzando i tassi dei buoni del tesoro, la domanda di oro e i prezzi ritardati dell'oro come covariate²⁸. Il modello CNN-LSTM (Convolutional Neural Network-Long Short-Term Memory ) proposto per la previsione del prezzo dell'oro dimostra prestazioni superiori rispetto ai metodi tradizionali con valori MAE e RMSE più bassi. L'incorporazione di livelli convoluzionali nell'architettura LSTM migliora ulteriormente la sua capacità di catturare sia modelli a breve termine che dipendenze a lungo termine nei dati²⁹.

I prezzi futuri dell'oro sono previsti da quattro materie prime: dati storici dei prezzi dell'oro, dell'argento, del petrolio greggio e dell'indice azionario Standard and Poor's 500 (S&P500) e del tasso di cambio utilizzando il modello Extreme Learning Machine (ELM) con una precisione del 91,67%⁴. Un modello di rete neurale Multilayer Perceptron (MLP) è stato impiegato per prevedere le fluttuazioni dei prezzi delle azioni e dell'oro sulla base dei dati della Borsa di Teheran (TSE). Il risultato ha indicato che la rete neurale artificiale ha superato i modelli di previsione tradizionali in termini di accuratezza delle previsioni³⁰. Lo studio ha confrontato LSTM con i modelli di regressione lineare e ha scoperto che la regressione lineare ha raggiunto un tasso di precisione marginalmente più elevato del 53,02% nella previsione delle fluttuazioni giornaliere dei prezzi dell'oro. Ciò suggerisce che anche modelli più semplici possono essere efficaci nel prevedere i movimenti del prezzo dell'oro, evidenziando l'importanza di comprendere le relazioni tra i prezzi dell'oro e fattori economici più ampi³¹. I risultati sperimentali dello studio di previsione del prezzo dell'oro hanno dimostrato che l'algoritmo ABC (Artificial Bee Colony) supera l'approccio tradizionale ABC nella previsione del prezzo dell'oro utilizzando reti neurali wavelet³².

Sono stati proposti diversi modelli predittivi avanzati per le previsioni dell'oro e dei mercati finanziari. Uno degli studi ha sviluppato un modello di previsione del prezzo dell'oro utilizzando un sistema di inferenza neuro-fuzzy adattivo (ANFIS) con i prezzi dell'oro passati come input. Il modello ha previsto con precisione i prezzi dell'oro del giorno successivo, sovraperformando i modelli ARIMA e CNN in termini di RMSE. Inoltre, ha superato la performance delle strategie Buy e Hold, offrendo rendimenti sugli investimenti significativamente più elevati, dimostrando un forte potenziale per le previsioni del prezzo dell'oro³³. Un altro studio ha integrato un ELM con un sistema di inferenza fuzzy (FIS) e ha utilizzato la tecnica di ottimizzazione CQCSA (Chaotic Quantum Crisscross Search Algorithm). Questo modello ibrido mostra prestazioni superiori nella previsione dei prezzi dell'oro e del petrolio³⁴. Una ricerca ha utilizzato vari modelli di apprendimento automatico sulla previsione dei mercati finanziari durante il periodo COVID-19, quando gli LSTM Vanilla Stacked hanno superato altri approcci nella previsione delle serie temporali. I risultati hanno sottolineato l'importanza di incorporare variabili non economiche accanto ai dati finanziari storici per le previsioni di mercato a breve termine³⁵. Lo studio ha esplorato modelli d'insieme per prevedere i movimenti dei prezzi delle azioni dell'oro e dell'argento. Questi approcci hanno raggiunto tassi di precisione notevoli, pari all'85% per l'oro e al 79% per l'argento, indicando la loro capacità di catturare dinamiche di mercato complesse³⁶. In un altro studio incentrato sulle architetture di deep learning per la previsione del prezzo dell'oro, il modello Bidirectional Long Short-Term Memory (BiLSTM) ha sovraperformato gli LSTM standard raggiungendo valori di R² più elevati, MAE e RMSE più bassi. Catturando efficacemente i modelli temporali dai dati storici normalizzati, BiLSTM ha dimostrato il suo potenziale per migliorare l'accuratezza delle previsioni finanziarie³⁷.

La previsione accurata dei prezzi dell'oro ha rappresentato a lungo una sfida significativa per investitori, analisti e responsabili politici a causa della natura volatile, non lineare e multifattoriale dei mercati finanziari¹⁰. I modelli statistici tradizionali, come l'ARIMA, e gli approcci basati sulla regressione, hanno mostrato dei limiti nel cogliere le relazioni complesse e dinamiche inerenti ai movimenti dei prezzi dell'oro, in particolare sotto l'influenza degli indicatori macroeconomici, delle tensioni geopolitiche e dei cambiamenti finanziari globali¹⁹. Sebbene ARIMA e modelli simili siano utili per le previsioni lineari a breve termine, non sono in grado di catturare la non linearità, le interruzioni strutturali e le dipendenze a lungo termine ^18,38. Sebbene i modelli di deep learning come LSTM e GRU abbiano migliorato le prestazioni di previsione apprendendo modelli sequenziali²⁰. Questi modelli soffrono ancora di limitazioni intrinseche, come la scomparsa dei gradienti e le difficoltà nel modellare le dipendenze a lungo termine nei dati delle serie temporali²⁹. Inoltre, sebbene siano stati esplorati modelli ibridi e d'insieme, spesso essi hanno difficoltà con la scalabilità e l'efficienza computazionale in set di dati finanziari su larga scala²³. L'oro, sempre più utilizzato come copertura contro l'inflazione e l'incertezza economica, soprattutto in paesi come l'India, dove ha un notevole significato culturale e finanziario, la domanda di modelli predittivi solidi e ad alta precisione è diventata^{fondamentale.} Le recenti innovazioni nel deep learning, in particolare l'architettura del trasformatore nota per il suo meccanismo di auto-attenzione, hanno mostrato risultati promettenti nelle attività di previsione delle serie temporali nei domini finanziari¹⁷. Tuttavia, la letteratura esistente manca di un'indagine completa sui modelli di trasformatori specifici per la previsione del prezzo dell'oro utilizzando set di dati storici a lungo termine arricchiti con diversi indicatori economici. La maggior parte degli studi precedenti si è concentrata sulla previsione a breve termine o ha utilizzato input di dati limitati, trascurando il pieno potenziale dei modelli di trasformatori nel catturare le tendenze di mercato sia a breve che a lungo termine³¹.

Pertanto, il presente studio affronta il divario critico della ricerca proponendo e valutando un modello di deep learning trasformatore addestrato su un decennio di dati storici sul prezzo dell'oro (2014-2024) raccolti attraverso un metodo di web scraping automatizzato e riproducibile utilizzando UiPath. Il modello mira a migliorare l'accuratezza delle previsioni superando i modelli esistenti come LSTM, CNN-LSTM e regressione. Essa fornisce agli investitori e ai responsabili politici uno strumento affidabile per prendere decisioni informate in condizioni di incertezza del mercato²².

L'inarrestabile aumento dei prezzi dell'oro ha accresciuto la necessità di fare previsioni, che è più importante che mai per gli investitori, gli analisti finanziari e i responsabili politici. L'oro è ampiamente apprezzato come bene rifugio e svolge un ruolo chiave nelle strategie di investimento, in particolare in paesi come l'India, dove riveste un'importanza economica e culturale. In un mercato sempre più volatile e in un contesto di incertezza globale, previsioni affidabili sono fondamentali per massimizzare i rendimenti, gestire i rischi e prendere decisioni finanziarie valide. Lo studio è progettato per sviluppare un modello di previsione del prezzo dell'oro accurato ed efficace che si allinei con le complessità dei mercati finanziari odierni.

Protocollo

La metodologia per questa ricerca è un processo sistematico progettato per sviluppare un modello di trasformatore per la previsione del prezzo dell'oro. La raccolta dei dati è la fase iniziale in cui vengono raccolti i dati storici sul prezzo dell'oro e gli indicatori finanziari pertinenti per formare un set di dati completo. Il set di dati viene sottoposto a pre-elaborazione dei dati, sviluppo del modello, valutazione, metriche di performance e infine previsione del prezzo dell'oro con una spiegazione dettagliata nelle sezioni successive.

Raccolta dati e affidabilità:
I dati storici sul prezzo dell'oro per questo studio sono stati raccolti utilizzando un processo automatizzato sviluppato sulla piattaforma UiPath Robotic Process Automation (RPA). Il set di dati è stato ottenuto da Investing.com una piattaforma finanziaria ampiamente utilizzata e rispettabile, nota per i suoi dati strutturati e accurati sulle materie prime e sul mercato³⁹. Includeva i valori giornalieri per data, apertura, massimo, minimo, chiusura, volume e variazione percentuale relativi al periodo dal 1° gennaio 2014 al 31 dicembre 2024 (tabella supplementare 1). L'automazione è stata programmata per navigare alla pagina dei dati storici pertinente, specificare l'intervallo di date definito ed esportare il set di dati in Excel. Per migliorare la stabilità e la velocità di esecuzione, il processo ha evitato l'interfaccia di selezione del calendario e ha incorporato routine di convalida, ritardi e controlli condizionali per adattarsi alle variazioni delle pagine web. Questo approccio ha consentito un'estrazione dei dati efficiente, ripetibile e accurata senza richiedere l'intervento manuale.

Per garantire l'integrità e l'affidabilità dei dati, sono stati inclusi più passaggi di convalida come Element Exists di UiPath, controlli condizionali e ritardi per controllare i caricamenti dinamici delle pagine per garantire l'integrità e l'affidabilità dei dati. Il web scraping da fonti esterne può essere un metodo prezioso per acquisire in modo efficiente set di dati di grandi dimensioni. Tuttavia, può anche presentare sfide come formati di dati incoerenti, modifiche alla struttura della pagina Web o variazioni nella disponibilità dei dati nel tempo. Lo strumento di raschiatura dispone di procedure di gestione degli errori ed è stato sottoposto a test periodici di affidabilità per ridurre questi rischi. Per confermare la correttezza, i dati recuperati sono stati ulteriormente incrociati a caso con informazioni provenienti da altre fonti, come Yahoo Finance. Durante la pre-elaborazione, il riempimento a termine e l'interpolazione sono stati utilizzati per gestire i giorni non di negoziazione e i record mancanti. Questo metodo offre un modo robusto ma efficace per produrre un set di dati affidabile e appropriato per i modelli di deep learning.

Pre-elaborazione dei dati:
Nel presente studio, il set di dati sul prezzo dell'oro è stato prima caricato in un DataFrame panda per creare un set di dati tabulare per l'analisi ed esaminato utilizzando metodi come info, describe e unique per valutare i tipi di dati, le distribuzioni statistiche e il numero di valori univoci in ciascuna colonna. Il set di dati è stato quindi ordinato in ordine crescente in base al suo indice, garantendo la disposizione cronologica per l'analisi delle serie temporali. I valori mancanti sono stati identificati ed eliminati utilizzando dropna e le voci duplicate sono state rilevate utilizzando il metodo duplicato e successivamente rimosse con drop_duplicates per mantenere l'integrità dei dati. I nomi delle colonne sono stati standardizzati per coerenza rinominando variabili come Prezzo di chiusura, Volume in Volume e % di variazione in Variazione, facilitando così la chiarezza in ulteriori analisi. Attraverso questi passaggi, il set di dati è stato pulito, strutturato e preparato per supportare una modellazione e un'interpretazione successive accurate e affidabili.

Sviluppo del modello:
Il modello del trasformatore si basa su meccanismi di auto-attenzione piuttosto che sulla ricorrenza o sulla convoluzione, consentendo una modellazione efficiente della sequenza. Nel contesto della previsione delle serie temporali, come la previsione del prezzo dell'oro, questa architettura può catturare efficacemente le dipendenze a lungo termine⁴⁰. Pertanto, il modello del trasformatore nella Figura 2 viene utilizzato per la previsione del prezzo dell'oro sfruttando tecniche avanzate di deep learning per analizzare le tendenze storiche dei prezzi. Dopo la pre-elaborazione dei dati, i dati di input passano prima attraverso un livello di incorporamento, convertendo le caratteristiche numeriche in rappresentazioni vettoriali dense, rendendo i dati più significativi per l'analisi. La codifica posizionale viene applicata per conservare le informazioni temporali. Ogni blocco encoder contiene un meccanismo di attenzione multi-testa con 4 teste di attenzione seguite da una rete neurale feed-forward. Ogni testa di attenzione utilizza l'attenzione scalata del prodotto scalare per concentrarsi sui punti dati storici rilevanti. Il modello ha quattro strati di encoder, ciascuno con una dimensione dello strato interno feed-forward di 512 e una dimensionalità (d_model) di 128. Ogni sottostrato è seguito dalla regolarizzazione del dropout a una velocità di 0,1 per evitare l'overfitting. L'uso costante delle connessioni residue e della normalizzazione degli strati stabilizza l'allenamento e migliora la convergenza. Un componente chiave del modello è il meccanismo di attenzione che identifica e assegna priorità ai punti dati passati più rilevanti piuttosto che trattare tutti i valori storici allo stesso modo. Ciò consente al modello di catturare modelli e dipendenze importanti nei movimenti del prezzo dell'oro. Le informazioni elaborate vengono quindi passate attraverso un livello di rete neurale che perfeziona ulteriormente i modelli e le relazioni per migliorare l'accuratezza delle previsioni. Inoltre, il modello incorpora più livelli di trasformatori impilati che rafforzano la sua capacità di apprendere tendenze complesse e migliorare le prestazioni predittive. Infine, l'accuratezza del modello viene valutata utilizzando metriche di prestazione come l'errore quadratico medio (MSE), l'errore quadratico medio radice (RMSE) e l'R-quadrato (R²). Questo approccio trasformatore cattura in modo efficiente le dipendenze sia a breve che a lungo termine nei dati delle serie temporali finanziarie, rendendolo altamente efficace per una previsione precisa del prezzo dell'oro.

Per normalizzare le funzioni di input, è stato applicato il ridimensionamento Min-Max come mostrato nell'equazione seguente.

Sia x un valore di caratteristica, x_min e x_max siano il minimo e il massimo della funzione⁴¹.

x: il valore originale (il prezzo odierno dell'oro).
x_min, x_min: il min e il max del periodo di allenamento di quella funzione.
[a, b]; l'intervallo target (di solito [0, 1]; a volte [-1, 1]).

Il cuore dell'encoder del trasformatore è il meccanismo di attenzione scalato punto-prodotto⁴⁰ definito come:

Errore quadratico medio (MSE)
Il modello è stato addestrato per ridurre al minimo l'errore quadratico medio (MSE) tra i valori previsti e quelli effettivi⁴².

MSE =

Errore quadratico medio radice (RMSE)
Le prestazioni sono state valutate utilizzando l'errore quadratico medio radice (RMSE)⁴³, calcolato come

RMSE =

Formazione e convalida
Il set di dati è suddiviso in tre sottoinsiemi, di cui l'80% è allocato per l'addestramento, il 10% per i test e il 10% per la convalida. Il modello è ottimizzato utilizzando l'ottimizzatore Adam⁴⁴ con una dimensione del batch di 64 e un tasso di apprendimento di 0,001. Per prevenire l'overfitting, la formazione viene eseguita su oltre 50 epoche con arresto precoce basato sulla perdita di convalida. L'errore quadratico medio (MSE) funge da funzione di perdita. Gli output target sono il valore a t+30 e gli input di sequenza sono generati con una finestra di lookback di 30 giorni (L = 30). Quando necessario, vengono applicati spaziatura interna e mascheratura per mantenere costanti le lunghezze delle sequenze. Per implementare il modello è stato utilizzato TenSorFlow⁴⁵ garantendone la scalabilità e la riproducibilità. La riproducibilità è supportata da queste specifiche complete che migliorano anche la comprensione dell'adattamento dell'architettura del trasformatore per le previsioni finanziarie.

Collaudo
La valutazione finale del modello del trasformatore viene condotta utilizzando il set di dati di prova che comprende il restante 10% dei dati totali. I prezzi dell'oro previsti vengono confrontati con i valori effettivi e le metriche di performance vengono calcolate per misurare l'accuratezza delle previsioni.

Valutazione del modello
Le prestazioni predittive del modello sono state valutate utilizzando metriche statistiche chiave come l'errore quadratico medio (MSE), l'errore quadratico medio (RMSE) e l'R quadrato (R²). I risultati sono presentati nella sezione successiva.

Risultati

Nell'analisi dello studio, le metriche delle prestazioni sono state valutate attraverso dati storici, queste metriche sono state utilizzate per fornire un quadro completo di quanto bene il modello del trasformatore abbia previsto i prezzi futuri dell'oro.

Nella Figura 3, il grafico a candele del prezzo dell'oro presenta una rappresentazione visiva completa delle oscillazioni dei prezzi, sottolineando i modelli significativi, le correzioni di mercato e gli interval...

Discussione

Il presente studio ha proposto un modello di deep learning a trasformatore che utilizza i dati raschiati da UiPath, una piattaforma automatizzata che garantisce l'acquisizione tempestiva e organizzata di dati finanziari per prevedere i prezzi dei futures sull'oro con maggiore precisione e affidabilità. Il modello incorpora dati sul prezzo dell'oro con importanti indicatori tecnici come metriche di volume, medie mobili a 30 e 100 giorni, tendenze, previsioni del prezzo dell'oro e modelli ...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Origine dati	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com è una piattaforma del mercato finanziario che fornisce quotazioni di mercato, informazioni su azioni, futures, ecc.
Modello Transformer (Python implementato in Google Colab)	Alessio	https://colab.research.google.com/	Sviluppato un codice sorgente python per l'analisi dei dati per estrarre informazioni dai dati e tale codice è stato eseguito su questo ambiente virtuale Google Colab
Automazione robotica dei processi UiPath	UiPath, Inc.	https://www.uipath.com	Per estrarre i dati dall'origine, il codice è stato eseguito su questa piattaforma UiPath Studio.