UiPath経由でスクレイピングされたデータを使用したTransformerディープラーニングモデルを使用した金先物価格予測

サマリー

この研究では、2014年から2024年までの過去のデータを使用して金価格を正確に予測するトランスフォーマー深層学習モデルを開発しています。93% の精度を達成するこのモデルは、複雑な傾向と依存関係を捉えることで従来の方法よりも優れたパフォーマンスを発揮します。投資家や政策立案者の意思決定を支援し、センチメント分析とグローバル要因を使用して将来の改善を提案します。

要約

金は、世界、特にインドで最も価値があり、広く取引されている商品の 1 つであり、経済および金融市場で重要な役割を果たしています。歴史的に、金は国際貿易と経済の安定の基礎であり、中央銀行はインフレと対外債務を管理するために準備金を維持してきました。金の価格は、市場動向や投資戦略に影響を与える重要な経済指標として機能します。しかし、金利、景気後退、原油価格の変動、地政学的な出来事などのさまざまな要因の影響を受ける金融市場は複雑かつ非線形であるため、金価格を正確に予測することは困難です。研究トランスフォーマーモデルを使用して、UiPathを使用してWebスクレイピングを通じて investing.com から収集された毎日の金価格を予測しました。これは、データの整合性を維持し、モデルのパフォーマンスを向上させるためのロボティック プロセス オートメーション (RPA) プラットフォームであり、欠損データ処理や MinMax スケーリングなどの前処理操作が実行されました。このモデルは主要なパフォーマンス指標でテストおよびトレーニングされ、平均二乗誤差 (MSE) 0.0224、平均二乗平方根誤差 (RMSE) 0.1496、R 二乗 0.93 を達成し、高い予測精度を達成しました。研究結果は、トランスフォーマー モデルが短期的な価格変動と長期的な市場動向を効率的に検出し、従来の予測方法よりも正確で信頼性の高い方法を提供することを確認しました。この調査は、投資家、金融アナリスト、政策立案者が金地金市場で情報に基づいた意思決定を行う際の貴重な指針を提供します。将来の調査は、ニュースの見出しやソーシャルメディアからのセンチメントなどの代替データソースを含めることで改善でき、市場の動きに関するより豊かな洞察を提供できる可能性があります。

概要

金は金融市場で最も重要な商品の1つであり、重要な経済資源であり、価格管理ツールです。金は多くの国で中央銀行準備金のかなりの部分を占めています¹.最近、金はインフレ^{ヘッジとして}よく知られるようになりました2。これは重要なヘッジ資産であり、そのボラティリティ予測は、非対称性、極端性、およびジャンプを考慮した一般化自己回帰条件付き不一方性 - 混合データサンプリング (GARCH-MIDAS) モデルを使用して改善されます³。インドと中国は金の最大の輸入国であり消費国であり、世界の需要の約60%を占めています。市場のダイナミクスと商品関係によって金価格が継続的に上昇しているため、金は将来のリターンのための優先投資として位置づけられています⁴。インドでは、現物の金保有量は相当で、家庭は金を文化財と経済的保護手段の両方として扱うことがよくあります。現物金の需要は市場動向に直接影響し、金価格予測におけるその関連性を考慮する必要性を強調しています ^5,6。投資家は、最も低いリスクで最高のリターンを提供する投資機会を常に求めています。この点で、金は安全資産として機能し、経済が不確実な状況下で経済的安全を提供します。インドにおけるトップの投資選択肢には、株式、銀行、預金、保険、金郵便貯金、その他の貯蓄および投資オプションがあります⁷。その安定性を考慮すると、金はさまざまな投資オプションの中で最良の代替投資オプションであり、インフレや^{金融リスクから}保護する貴重な資産として広く認識されています^1,8。金価格の決定は、金の需要、供給、インフレ、為替レートなどの要因の影響を受けます。驚くべき発見は、ドル高が投機的投資による可能性のある金価格の上昇と相関していることを示しています⁹。金価格は、不安定で予測不可能で、非線形で制御不能な価格変動があるため、予測することは困難です¹⁰。したがって、正確な金価格予測は、予測を改善することで大きな利益機会につながる可能性があるため、投資家、ポートフォリオマネージャー、政策立案者にとって非常に重要です¹¹。20年前の4倍の金の現在の価格傾向と、金を維持したいという願望は、投資家を関連資産への投資に惹きつけています¹².したがって、金に投資する前に、すべての投資家はその価格に影響を与える主な要因を理解する必要があります¹³.金融業界では、金価格の方向性を予測する能力が不可欠であり、業績予測のわずかな進歩でも利益をもたらす可能性があり、お金は生活を送るために不可欠であり、健全な財務予測は経済拡大をサポートします¹⁴.

図1 は、2014年から2024年までのインドの金価格の動向と、ドル指数、フェデラルファンド金利、消費者物価指数(CPI)、為替レート、原油価格、S&P500などの世界的な要因に基づいて金価格がどのように増加しているかを調査しています¹⁵。その他の要因には、景気循環、名目金利、商品価格、為替レート、株価が含まれます¹⁶。これは、大幅な価格変動、市場のボラティリティ、特に近年の金価格の持続的な上昇期を浮き彫りにしています。2014年から2018年にかけて価格はほとんどボラティリティが見られませんでしたが、2019年には価格変動が大きくなり、堅調な上昇傾向が観察されました。安全資産としての金の地位は、インフレと経済混乱への懸念がもたらした2020年の大幅な上昇によって強化されました。終値は始値に密接に追随しますが、特に2020年以降は、高値と安値の差が広がることでボラティリティが大きくなります。価格は2023年から2024年にかけて着実に上昇し、史上最高値を更新しています。このチャートは、金が時間の経過とともにどのように上昇してきたかを示しており、アナリストや投資家にとって有用な資産となっています。

正確な金価格予測は情報に基づいた意思決定に不可欠ですが、経済や地政学的状況などの複雑な要因により困難です¹⁷。自己回帰統合移動平均(ARIMA)などの従来のモデルは、これらの複雑さを捉えるのに苦労することが多く、予測精度が制限されます^18,19。これらの制限を克服するために、機械学習とディープラーニングの最近の進歩により、財務予測の精度が大幅に向上しました。実験では、長短期記憶 (LSTM) ネットワークのような深層学習モデルが、金価格の逐次関係と傾向を捉えることで、従来の統計モデルよりも大幅に優れたパフォーマンスを発揮することが実証されました²⁰。ハイブリッド予測モデルは、ビッグデータ計算と経済学における金価格の予測における重要な考慮事項です²¹。それにもかかわらず、その性能に関係なく、長短期記憶(LSTM)やゲートリカレントユニット(GRU)などのリカレントモデルには、勾配問題の消失、計算の複雑さの高さ、長期的な関係を捉えることができないなどの自然な制限があり、大規模な金融時系列データの処理効率に影響を与える可能性があります。

これらの不足を埋め、予測の精度をさらに高めるために、トランスフォーマー モデルは現在、時系列予測において魅力的な選択肢となっていますが、LSTM ネットワークと比較して、トランスフォーマーはセルフアテンション メカニズムを活用するため、財務データと並列処理の長期パターンと短期の振動を効果的に検出してスケーラビリティを向上させます。トランスフォーマーは、金融市場予測における有効性を考慮すると、金価格予測の精度を向上させる大きな可能性を秘めています。本研究は、過去の金価格と主要な経済データを使用して、金価格予測のためのトランスフォーマーモデルを開発し、金予測のためのより堅牢なアプローチを提供することを目的としています。

以前の研究では、ニューラルネットワーク、アルゴリズム、機械学習、ディープラーニング、人工知能などのいくつかの技術を使用して金価格を予測していました。金価格予測に関連する研究の一部は次のとおりです。

ガウス過程回帰 (GPR) は、金属価格予測のための堅牢なツールとして登場し、鉄鋼、銅、貴金属への応用により、高次元の財務データの処理とベイズ法によるモデルの最適化における有効性を強調し、金価格をより正確に予測します RMSE^{0.87 22}。この研究では、ランダム畳み込みカーネルベースのニューラルネットワーク(RCK)と一般化自己回帰条件付き不一方差(GARCH)を組み合わせて、金、銀、プラチナのボラティリティを予測する新しいハイブリッドモデルを提示します。提案された方法の精度は、GARCH-LSTM モデル²³ よりも 53% 高くなっています。この研究では、ARIMAモデルとホルト・ウィンターズモデルを使用して、消費者物価指数(CPI)を考慮して、インドと米国の将来の金価格とインフレ率を予測しました。金はインドと米国の両方にとってインフレに対する優れたヘッジです^{投資家 24}.この研究では、ディープラーニングと機械学習モデルを比較して、ビットコインと金、石油、米ドル指数(DXY)、金利などの世界的な要因との関係を分析しています。Temporal Fusion Transformer (TFT) は他社を上回り、世界的な出来事や規制の中で金と DXY が主要な影響力を持つものとして強調されています²⁵.さらに、この研究では、インフレ率、金利、原油価格、米ドル指数などの金先物価格に影響を与える要因を、従来の時系列モデル(ARIMA GARCH、ARDL)、ハイブリッドモデル(MS-MIDAS-CJ、VMD-ICSS-BiGRU)、ディープラーニング手法(SGRU-AM)DBN)の3つの主要な予測方法を使用して体系的にレビューしています²⁶。トランスフォーマーアーキテクチャは、長距離の依存関係を効果的に捉え、従来の繰り返しニューラルネットワーク(RNN)ベースのモデルを上回ることにより、長期の時系列予測において大きな可能性を秘めています²⁷。この研究では、金価格と株式市場、原油、為替レート、インフレ、金利などの主要な決定要因との関係を調査しました。機械学習アルゴリズムを利用して、金価格の予測において、勾配ブースティング回帰がランダムフォレスト回帰よりも正確であることを発見します¹⁴。この研究では、自己回帰分布ラグ(ARDL)モデルを使用して、財務省短期証券のレート、金需要、および遅れた金価格を共変量として使用して年間金価格を予測しました²⁸。金価格予測用に提案された畳み込みニューラルネットワーク-長短期記憶(CNN-LSTM)モデルは、MAEおよびRMSE値が低い従来の方法と比較して優れたパフォーマンスを示しています。畳み込み層をLSTMアーキテクチャに組み込むことで、データ²⁹の短期パターンと長期的な依存関係の両方をキャプチャする能力がさらに強化されます。

将来の金価格は、金価格、銀価格、原油価格、スタンダード・アンド・プアーズ500株価指数(S&P500)指数の過去のデータと為替レートの4つのコモディティから、エクストリーム・ラーニング・マシン(ELM)モデルを用いて91.67^%の精度で予測します4。多層パーセプトロン (MLP) ニューラル ネットワーク モデルを使用して、テヘラン証券取引所 (TSE) のデータに基づいて株価の変動と金価格を予測しました。結果は、人工ニューラルネットワークが予測精度の点で従来の予測モデルを上回っていることを示しました³⁰。この研究では、LSTMと線形回帰モデルを比較したところ、線形回帰は金価格の日々の変動を予測する際に53.02%というわずかに高い精度を達成したことが判明しました。これは、より単純なモデルでも金価格の動きを予測するのに効果的であることを示唆しており、金価格とより広範な経済要因との関係を理解することの重要性を強調しています³¹。金価格予測研究のためのウェーブレット ニューラル ネットワーク (WNN) モデリング実験結果は、ウェーブレット ニューラル ネットワークを利用した金価格予測において、強化された人工ミツバチ コロニー (ABC) アルゴリズムが従来の ABC アプローチよりも優れていることを示しました³²。

金と金融市場の予測のために、いくつかの高度な予測モデルが提案されています。研究の1つは、過去の金価格を入力として、適応型神経ファジー推論システム(ANFIS)を使用して金価格予測モデルを開発しました。このモデルは、RMSEに関してARIMAおよびCNNモデルを上回る翌日の金価格を正確に予測しました。また、投資収益率が大幅に向上し、金価格予測の強い可能性を示し、買い戦略とホールド戦略の両方のパフォーマンスを上回りました³³。別の研究では、ELM とファジィ推論システム (FIS) を統合し、カオス量子十字探索アルゴリズム (CQCSA) 最適化手法を使用しました。このハイブリッドモデルは、金と石油の価格を予測する際に優れたパフォーマンスを示します³⁴。ある研究では、COVID-19期間中の金融市場予測にさまざまな機械学習モデルが採用され、バニラスタックLSTMは時系列予測において他のアプローチを上回りました。この調査結果は、短期的な市場予測のために、過去の財務データと並行して非経済変数を組み込むことの重要性を強調しました³⁵。この研究では、金と銀の株価の動きを予測するためのアンサンブルモデルを調査しました。これらのアプローチは、金で85%、銀で79%という顕著な精度を達成し、複雑な市場ダイナミクスを捉える能力を示しています³⁶。金価格予測のためのディープラーニングアーキテクチャに焦点を当てた別の研究では、双方向長短期記憶(BiLSTM)モデルは、より高いR²、より低いMAE、およびRMSE値を達成することで、標準のLSTMを上回りました。BiLSTM は、正規化された履歴データから時間的パターンを効果的にキャプチャすることで、財務予測の精度を高める可能性を実証しました³⁷。

金融市場の不安定で非線形、多因子的な性質により、金価格の正確な予測は、投資家、アナリスト、政策立案者にとって長い間大きな課題となってきました¹⁰。ARIMAや回帰ベースのアプローチなどの従来の統計モデルは、特にマクロ経済指標、地政学的緊張、世界的な金融変動の影響下で、金価格の動きに内在する複雑で動的な関係を捉えることに限界があることを示しています¹⁹。ARIMAおよび同様のモデルは短期的な線形予測には有用ですが、非線形性、構造的破断、および長期的な依存関係を捉える機能が欠けています^18,38。LSTMやGRUなどの深層学習モデルは、シーケンシャルパターン²⁰を学習することで予測性能を向上させていますが。これらのモデルは、勾配の消失や時系列データにおける長期依存関係のモデル化の難しさなどの本質的な制限に依然として苦しんでいます²⁹。さらに、ハイブリッドモデルとアンサンブルモデルが検討されてきましたが、大規模な金融データセットではスケーラビリティと計算効率に苦労することがよくあります²³。金は、インフレや経済の不確実性に対するヘッジとしてますます使用されており、特にインドのような国では金が文化的および経済的に重要な意味を持つため、堅牢で高精度の予測モデルに対する需要が最も重要になっています².ディープラーニング、特にセルフアテンションメカニズムで知られるトランスフォーマーアーキテクチャにおける最近の革新は、金融領域全体の時系列予測タスクで有望な結果を示しています¹⁷。しかし、既存の文献には、多様な経済指標が豊富な長期的な過去のデータセットを使用した、特に金価格予測のためのトランスフォーマーモデルの包括的な調査が欠けています。これまでの研究のほとんどは、短期的な予測に焦点を当てているか、限られたデータ入力を使用しており、短期的および長期的な市場動向の両方を捉える上でトランスフォーマーモデルの可能性を最大限に無視していました³¹。

したがって、本研究では、UiPathを使用して自動化された再現性のあるWebスクレイピング手法を通じて収集された10年分の過去の金価格データ(2014年から2024年)でトレーニングされたトランスフォーマーディープラーニングモデルを提案および評価することにより、重大な研究ギャップに対処します。このモデルは、LSTM、CNN-LSTM、回帰などの既存のモデルよりも予測精度を高めることを目的としています。これは、投資家や政策立案者が市場の不確実性の下で情報に基づいた意思決定を行うための信頼できるツールを提供します²².

金価格の止まらない上昇により、投資家、金融アナリスト、政策立案者にとってこれまで以上に重要な予測の必要性が高まっています。金は安全資産として広く評価されており、特に経済的および文化的に重要なインドのような国では、投資戦略において重要な役割を果たしています。ますます不安定な市場と世界的な不確実性環境において、収益を最大化し、リスクを管理し、健全な財務上の意思決定を行うには、信頼できる予測が不可欠です。この調査は、今日の金融市場の複雑さに合わせた正確で効果的な金価格予測モデルを開発するように設計されています。

プロトコル

この研究の方法論は、金価格予測のためのトランスフォーマーモデルを開発するために設計された体系的なプロセスです。データ収集は、過去の金価格データと関連する財務指標を収集して包括的なデータセットを形成する最初のステップです。データセットは、データの前処理、モデル開発、評価、パフォーマンス指標、そして最後に金価格の予測を経て、後続のセクションで詳細な説明が行われます。

データ収集と信頼性:
この調査の過去の金価格データは、UiPath Robotic Process Automation(RPA)プラットフォームで開発された自動化プロセスを使用して収集されました。このデータセットは、構造化された正確な商品および市場データで知られる、広く利用され評判の高い金融プラットフォーム Investing.com から取得されました³⁹。これには、2014年1月1日から2024年12月31日までの期間を対象とする日付、始値、高値、安値、終値、出来高、変化率の日次値が含まれていました(補足表1)。自動化は、関連する履歴データページに移動し、定義された日付範囲を指定し、データセットをExcelにエクスポートするようにプログラムされました。安定性と実行速度を向上させるために、このプロセスではカレンダー ピッカー インターフェイスを回避し、Web ページのバリエーションに対応するための検証ルーチン、時間遅延、条件付きチェックを組み込みました。このアプローチにより、手動介入を必要とせずに、効率的で再現性のある正確なデータ抽出が可能になりました。

データの整合性と信頼性を確保するために、UiPath の Element Exists、条件付きチェック、動的なページ読み込みを制御するための遅延などの複数の検証手順が含まれており、データの整合性と信頼性が保証されています。外部ソースからの Web スクレイピングは、大規模なデータセットを効率的に取得するための貴重な方法です。ただし、データ形式の一貫性の欠如、Web ページ構造の変更、時間の経過に伴うデータ可用性の変動などの課題が生じる可能性もあります。スクレイピング ツールにはエラー処理手順があり、これらのリスクを軽減するために定期的な信頼性テストを受けています。正しさを確認するために、取得したデータは、Yahoo Finance などの他の情報源からの情報とランダムにさらに照合されました。前処理中は、非取引日と欠落レコードを管理するために、フォワード・フィルディングと補間が使用されました。この方法は、深層学習モデルに適した信頼できるデータセットを生成するための堅牢かつ効果的な方法を提供します。

データの前処理:
本研究では、金価格データセットを最初にパンダデータフレームにロードして分析用の表形式データセットを作成し、情報、説明、ユニークなどの方法を使用して調査し、データ型、統計分布、各列の一意の値の数を評価しました。次に、データセットはインデックスに基づいて昇順に並べ替えられ、時系列分析のための時系列配置が保証されました。欠損値はdropnaを使用して特定および削除され、重複した方法を使用して重複エントリが検出され、その後、データの整合性を維持するためにdrop_duplicatesで削除されました。列名は、Price to Close、Volume to Volume、Change % to Change などの変数の名前を変更することで一貫性を保つために標準化され、さらなる分析の明確さが向上しました。これらの手順を通じて、データセットはクリーニング、構造化され、正確で信頼性の高いその後のモデリングと解釈をサポートするように準備されました。

モデル開発:
トランスフォーマー モデルは、繰り返しや畳み込みではなくセルフアテンション メカニズムに依存しており、効率的なシーケンス モデリングを可能にします。金価格予測などの時系列予測のコンテキストでは、このアーキテクチャは長期的な依存関係を効果的に捉えることができます⁴⁰.したがって、 図 2 のトランスフォーマー モデルは、高度なディープラーニング技術を活用して過去の価格傾向を分析することにより、金価格の予測に使用されます。データの前処理後、入力データはまず埋め込み層を通過し、数値特徴を密なベクトル表現に変換し、データを分析にとってより意味のあるものにします。位置エンコーディングは、時間情報を保持するために適用されます。各エンコーダー ブロックには、4 つのアテンション ヘッドとそれに続くフィードフォワード ニューラル ネットワークを備えたマルチヘッド アテンション メカニズムが含まれています。各アテンションヘッドは、スケーリングされたドット積アテンションを使用して、関連する履歴データポイントに焦点を当てます。このモデルには 4 つのエンコーダ層があり、それぞれのフィードフォワード内層サイズは 512、次元(d_model) は 128 です。各サブレイヤーの後には、過学習を避けるために 0.1 のレートでドロップアウト正則化が行われます。残留接続と層正規化を継続的に使用することで、トレーニングが安定し、収束が強化されます。このモデルの重要なコンポーネントは、すべての履歴値を平等に扱うのではなく、最も関連性の高い過去のデータポイントを特定して優先順位を付けるアテンションメカニズムです。これにより、モデルは金価格変動の重要なパターンと依存関係を捉えることができます。処理された情報はニューラルネットワーク層を通過し、パターンと関係をさらに細分化して予測精度を高めます。さらに、このモデルには複数の積層トランス層が組み込まれており、複雑な傾向を学習し、予測パフォーマンスを向上させる能力が強化されています。最後に、平均二乗誤差 (MSE)、二乗平均平方根誤差 (RMSE)、R 二乗 (R²) などのパフォーマンス指標を使用してモデルの精度が評価されます。このトランスフォーマー アプローチは、金融時系列データの短期および長期の依存関係の両方を効率的に捉えるため、正確な金価格予測に非常に効果的です。

入力特徴を正規化するために、次の式に示すように最小-最大スケーリングが適用されました。

x を特徴値、x_min と x_max を特徴⁴¹ の最小値と最大値とします。

x:元の価値(今日の金価格)。
x_min、x_min: その特徴量のトレーニング期間の最小値と最大値。
[a、b];ターゲット範囲(通常は[0、1]、場合によっては[-1、1])。

トランスエンコーダのコアは、次のように定義されるスケーリングされた内積アテンションメカニズム⁴⁰ である。

平均二乗誤差(MSE)
モデルは、予測値と実際の値の間の平均二乗誤差(MSE)を最小限に抑えるようにトレーニングされました⁴²。

MSE =

二乗平均平方根誤差 (RMSE)
パフォーマンスは、二乗平均平方根誤差(RMSE)⁴³を使用して評価され、次のように計算されました。

RMSE =

トレーニングと検証
データセットは 3 つのサブセットに分割され、80% がトレーニングに、10% がテストに、10% が検証に割り当てられます。このモデルは、バッチサイズ64、学習率0.001のAdamオプティマイ^ザー44 を使用して最適化されます。過適合を防ぐために、トレーニングは 50 エポック以上にわたって実行され、検証損失に基づいて早期に停止します。平均二乗誤差(MSE)は損失関数として機能します。ターゲット出力は t+30 の値であり、シーケンス入力は 30 日間のルックバック ウィンドウ (L = 30) で生成されます。必要に応じて、一定のシーケンス長を維持するためにパディングとマスキングが適用されます。TenSorFlow⁴⁵ を使用してモデルを実装し、そのスケーラビリティと再現性を保証しました。再現性はこれらの包括的な仕様によってサポートされており、財務予測に対するトランスフォーマーアーキテクチャの適応の理解も向上します。

テスティング
トランスフォーマーモデルの最終評価は、全データの残りの10%を構成するテストデータセットを使用して行われます。予測された金価格は実際の値と比較され、パフォーマンス指標が計算されて予測精度が測定されます。

モデル評価
モデルの予測性能は、平均二乗誤差 (MSE)、二乗平均平方根誤差 (RMSE)、R 二乗 (R²) などの主要な統計指標を使用して評価されました。結果は、次のセクションで示します。

結果

研究分析では、パフォーマンス指標は履歴データを通じて評価され、これらの指標を使用して、変圧器モデルが将来の金価格をどの程度うまく予測したかを包括的に把握しました。

図 3 では、金価格のローソク足チャートが価格変動を徹底的に視覚的に表現し、重要なパターン、市場の調整、時間の経過に伴う安定した間隔を強調しています。市場の動きを簡単に追跡できるように、各ローソク足は明確な取引期間を表し、赤いローソク足は損失を示し、緑色のローソク足は価格の上昇を示します。金価格は2014年から2018年にかけてほぼ横ばいで、わずかな変動と小さなローソク足はボラティリティがほとんどないことを示唆しています。しかし、2018年以降、チャートはボラティリティが高くなり、ヒゲが長くなり、ローソク足が大きくなり、取引活動が活発化し、投資家の関心が高まっていることを示しています。2019年は顕著な上昇傾向にあり、2020年頃には地政学的な出来事、インフレ問題、世界経済の困難などにより、価格が大幅に高騰します。この期間を通じて同時に緑色のローソク足が出ている...

ディスカッション

本研究では、UiPathがスクレイピングしたデータを用いたトランスフォーマーディープラーニングモデルを提案し、金融データをタイムリーかつ組織的に取得し、金先物価格を精度と信頼性を高めて予測する自動化プラットフォームである。このモデルには、金価格に関するデータと、出来高指標、30日および100日移動平均、トレンド、金価格予測、ローソク足パターンなどの重要なテクニカル指標が組み込まれています。LSTM、CNN-LSTM、線形回帰などの従来のモデルよりも優れたトランスフォーマー モデルは、セルフアテンション メカニズムを利用して、複雑な財務時系列における短期および長期の両方の関係を効率的に捉えます。

本研究では、2014年から2024年までの過去の財務データを分析することで、TRANSFORMERディープラーニングモデルを使用した金価格予測の詳細な分析を提供し、ARIMA、LSTM、回帰ベースのモデルなどの従来の予測方法と比較してその有効性を実証します。トランスフォーマー モデルは、優れた予測精度で従来のモデルを上回り、...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
データソース	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com は、市場相場、株式、先物などの情報を提供する金融市場プラットフォームです。
トランスフォーマーモデル(Google Colabに実装されたPython)	ググる	https://colab.research.google.com/	データから洞察を抽出するためのデータ分析用のPythonソースコードを開発し、そのコードをこのGoogle Colab仮想環境で実行しました
UiPathロボティックプロセスオートメーション	株式会社UiPath(アイパス)	https://www.uipath.com	ソースからデータを抽出し、コードがこのプラットフォームで実行された UiPath Studio を抽出します。