UiPath를 통해 스크랩된 데이터와 함께 Transformer 딥 러닝 모델을 사용한 금 선물 가격 예측

요약

이 연구는 2014년부터 2024년까지의 과거 데이터를 사용하여 금 가격을 정확하게 예측할 수 있는 트랜스포머 딥러닝 모델을 개발합니다. 93%의 정확도를 달성한 이 모델은 복잡한 추세와 종속성을 포착하여 기존 방법보다 성능이 뛰어납니다. 이는 투자자와 정책 입안자의 의사 결정을 돕고 감정 분석과 글로벌 요인을 사용하여 향후 개선 사항을 제안합니다.

초록

금은 전 세계, 특히 인도에서 가장 가치 있고 널리 거래되는 상품 중 하나이며 경제 및 금융 시장에서 중요한 역할을 합니다. 역사적으로 금은 국제 무역과 경제 안정의 초석이었으며 중앙은행은 인플레이션과 외채를 관리하기 위해 준비금을 유지해 왔습니다. 금 가격은 시장 동향과 투자 전략에 영향을 미치는 핵심 경제 지표 역할을 합니다. 그러나 금리, 경기 침체, 유가 변동, 지정학적 사건 등 다양한 요인의 영향을 받는 금융 시장의 복잡하고 비선형적인 특성으로 인해 금 가격을 정확하게 예측하는 것은 어렵습니다. 연구 트랜스포머 모델은 UiPath를 사용하여 웹 스크래핑을 통해 investing.com 에서 수집된 일일 금 가격을 예측하는 데 사용되었습니다. 데이터의 무결성을 보존하고 모델 성능을 향상시키기 위한 RPA(Robotic Process Automation) 플랫폼으로, 누락된 데이터 처리 및 MinMax 스케일링과 같은 전처리 작업이 수행되었습니다. 이 모델은 주요 성능 지표에 대해 테스트 및 훈련되었으며 높은 예측 정확도로 MSE(Mean Squared Error) 0.0224, RMSE(Root Mean Squared Error) 0.1496, R-제곱 0.93을 달성했습니다. 연구 결과는 트랜스포머 모델이 단기 가격 변동과 장기 시장 동향을 효율적으로 감지하여 기존 예측 방법보다 더 정확하고 신뢰할 수 있는 방법을 제공한다는 것을 확인시켜 줍니다. 이 연구는 투자자, 재무 분석가 및 정책 입안자가 금괴 시장에서 정보에 입각한 결정을 내리는 데 귀중한 지침을 제공합니다. 향후 연구는 잠재적으로 시장 움직임에 대한 보다 풍부한 통찰력을 제공할 수 있는 뉴스 헤드라인 및 소셜 미디어의 감정과 같은 대체 데이터 소스를 포함함으로써 개선될 수 있습니다.

서론

금은 금융 시장에서 가장 중요한 상품 중 하나이며 중요한 경제 자원이자 가격 통제 도구입니다. 금은 많은 국가에서 중앙은행 준비금의 상당 부분을 차지합니다¹. 최근 금은 인플레이션 헤지 수단으로 더 잘 알려져 있습니다². 이는 주요 헤징 자산이며 비대칭, 극단 및 점프를 설명하는 일반화된 자동 회귀 조건부 이분산성 - 혼합 데이터 샘플링(GARCH-MIDAS) 모델을 사용하여 변동성 예측이 개선됩니다³. 인도와 중국은 전 세계 수요의 약 60%를 차지하는 최대 금 수입국이자 소비국입니다. 시장 역학과 원자재 관계에 따른 금 가격의 지속적인 상승으로 인해 금은 미래 수익을 위한 선호 투자로 자리매김했습니다⁴. 인도에서는 실물 금 보유량이 상당하며 가계에서는 금을 문화재이자 재정적 보호 장치로 취급하는 경우가 많습니다. 실물 금에 대한 수요는 시장 동향에 직접적인 영향을 미치며, 금 가격 예측과 관련성을 고려해야 할 필요성을 강조합니다 ^5,6. 투자자들은 가장 낮....

프로토콜

이 연구의 방법론은 금 가격 예측을 위한 트랜스포머 모델을 개발하기 위해 고안된 체계적인 프로세스입니다. 데이터 수집은 과거 금 가격 데이터와 관련 재무 지표를 수집하여 포괄적인 데이터 세트를 구성하는 초기 단계입니다. 데이터 세트는 데이터 전처리, 모델 개발, 평가, 성능 지표 및 마지막으로 금 가격 예측을 거치며 다음 섹션에서 자세한 설명을 제공합니다.

데이터 수집 및 신뢰성:
이 연구의 과거 금 가격 데이터는 UiPath RPA(Robotic Process Automation) 플랫폼에서 개발된 자동화된 프로세스를 사용하여 수집되었습니다. 데이터 세트는 구조화되고 정확한 상품 및 시장 데이터로 잘 알려진 널리 활용되고 평판이 좋은 금융 플랫폼 Investing.com 에서 얻었습니다³⁹. 여기에는 2014년 1월 1일부터 2024년 12월 31일까지의 기간을 포괄하는 날짜, 시가, 고가, 저가, 종가, 거래량 및 백분율 변화에 대한 일일 값이 포함되었습니다(보충 표 1). 자동화는 관련 과거 데이터 페이지로 이동하여 정의된 날짜 범위를 지정하고 데이터 세트를 Excel로 내보내도록 프로그래밍되었습니다. 안정성과 실행 속도를 향상시....

결과

연구 분석에서 성능 지표는 과거 데이터를 통해 평가되었으며, 이러한 지표는 변압기 모델이 미래 금 가격을 얼마나 잘 예측했는지에 대한 포괄적인 그림을 제공하는 데 사용되었습니다.

그림 3에서 금 가격 캔들스틱 차트는 가격 변동을 철저하게 시각적으로 표현하여 중요한 패턴, 시장 조정 및 시간 경과에 따른 안정적인 간격을 강조합니다. 시장 움직임을 더 쉽게 따라갈 수 있도록 각 촛대는 뚜렷한 거래 기간을 나타내며, 빨간색 촛대는 손실을 나타내고 녹색 촛대는 가격 상승을 나타냅니다. 금 가격은 2014년과 2018년 사이에 대부분 안정적으로 유지되었으며, 매우 미세한 변동과 작은 촛대는 변동성이 거의 없음을 시사합니다. 그러나 2018년부터 차트는 더 긴 심지와 더 큰 촛대로 더 큰 변동성을 나타내며 이는 거래 활동이 증가하고 투자자의 관심이 높아지고 있음을 나타냅니다. 2019년은 지정학적 사건, 인플레이션 문제, 글로벌 경제적 .......

토론

본 연구는 향상된 정확도와 신뢰성으로 금 선물 가격을 예측하기 위해 금융 데이터를 적시에 체계적으로 수집할 수 있도록 보장하는 자동화 플랫폼인 UiPath에서 스크랩한 데이터를 사용하는 트랜스포머 딥러닝 모델을 제안했습니다. 이 모델은 거래량 지표, 30일 및 100일 이동 평균, 추세, 금 가격 예측 및 촛대 패턴과 같은 중요한 기술 지표와 함께 금 가격에 대한 데이터를 통합합니다. LSTM, CNN-LSTM 및 선형 회귀와 같은 기존 모델보다 성능이 뛰어난 트랜스포머 모델은 자기 주의 메커니즘을 활용하여 복잡한 금융 시계열에서 단기 및 장기 관계를 모두 효율적으로 포착합니다.

본 연구는 2014년부터 2024년까지의 과거 재무 데이터를 분석하여 ARIMA, LSTM 및 회귀 기반 모델과 같은 기존 예측 방법에 비해 그 효과를 입증하는 트랜스포머 딥러닝 모델을 사용하여 금 가격 예측에 대한 자세한 분석을 제공합니다. .......

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
데이터 소스	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com 는 시장 시세, 주식, 선물 등에 대한 정보를 제공하는 금융 시장 플랫폼입니다.
트랜스포머 모델(Google Colab에서 구현된 Python)	구글	https://colab.research.google.com/	데이터에서 인사이트를 추출하기 위해 데이터 분석을 위한 Python 소스 코드를 개발했으며, 해당 코드는 이 Google Colab 가상 환경에서 실행되었습니다.
UiPath 로봇 프로세스 자동화	유이패스(주)	https://www.uipath.com	소스에서 데이터를 추출하고 코드가 이 플랫폼에서 실행된 경우 UiPath Studio.