Prijsvoorspelling van goudfutures met behulp van Transformer Deep Learning-modellen met gegevens die zijn geschraapt via UiPath

Samenvatting

De studie ontwikkelt een transformer deep learning-model om de goudprijs nauwkeurig te voorspellen met behulp van historische gegevens van 2014 tot 2024. Met een nauwkeurigheid van 93% presteert het model beter dan traditionele methoden door complexe trends en afhankelijkheden vast te leggen. Het helpt beleggers en beleidsmakers bij het nemen van beslissingen en stelt toekomstige verbeteringen voor met behulp van sentimentanalyse en wereldwijde factoren.

Samenvatting

Goud is wereldwijd een van de meest waardevolle en meest verhandelde grondstoffen, met name in India, en speelt een belangrijke rol op de economische en financiële markten. Historisch gezien is goud een hoeksteen van de internationale handel en economische stabiliteit, waarbij centrale banken reserves aanhouden om de inflatie en buitenlandse schuld te beheersen. De prijs van goud dient als een belangrijke economische indicator die van invloed is op markttrends en beleggingsstrategieën. Het nauwkeurig voorspellen van goudprijzen is echter een uitdaging vanwege de complexe en niet-lineaire aard van financiële markten, die worden beïnvloed door verschillende factoren, waaronder rentetarieven, economische recessies, olieprijsschommelingen en geopolitieke gebeurtenissen. Het studietransformatormodel werd gebruikt om de dagelijkse goudprijzen te voorspellen die werden verzameld uit investing.com via webscraping met behulp van UiPath. Het is een Robotic Process Automation (RPA) platform om de integriteit van de gegevens te behouden en de modelprestaties te verbeteren, waarbij voorverwerkingsbewerkingen zoals ontbrekende gegevensverwerking en MinMax-schaling werden uitgevoerd. Het model werd getest en getraind op basis van belangrijke prestatiestatistieken en behaalde een Mean Squared Error (MSE) van 0,0224, Root Mean Squared Error (RMSE) van 0,1496 en R-kwadraat van 0,93, met een hoge voorspellingsnauwkeurigheid. De onderzoeksresultaten bevestigen dat het transformatormodel prijsbewegingen op korte termijn en markttrends op lange termijn efficiënt detecteert en een nauwkeurigere en betrouwbaardere methode biedt dan traditionele prognosemethoden. De studie biedt waardevolle richtlijnen voor beleggers, financiële analisten en beleidsmakers bij het nemen van weloverwogen beslissingen op de goudmarkt. Toekomstig onderzoek kan worden verbeterd door alternatieve gegevensbronnen op te nemen, zoals sentiment uit nieuwskoppen en sociale media, die mogelijk een rijker inzicht kunnen bieden in marktbewegingen.

Inleiding

Goud is een van de belangrijkste grondstoffen op de financiële markten, een kritieke economische hulpbron en een instrument om de prijzen te beheersen. Goud vormt in veel landen een aanzienlijk deel van de reserves van de centrale bank¹. De laatste tijd is goud meer bekend geworden als een inflatiehedge². Het is een belangrijk afdekkingsmiddel en de volatiliteitsvoorspelling ervan wordt verbeterd met behulp van gegeneraliseerde autoregressieve voorwaardelijke heteroskedasticiteit - Mixed Data Sampling (GARCH-MIDAS)-modellen die rekening houden met asymmetrie, extremen en sprongen³. India en China zijn de grootste importeurs en consumenten van goud, goed voor ongeveer 60% van de wereldwijde vraag. De voortdurende stijging van de goudprijs, gedreven door marktdynamiek en grondstoffenverhoudingen, heeft goud gepositioneerd als een voorkeursbelegging voor toekomstige rendementen⁴. In India is de omvang van het fysieke goudbezit aanzienlijk, waarbij huishoudens goud vaak beschouwen als zowel een cultureel bezit als een financiële waarborg. De vraag naar fysiek goud heeft een directe invloed op markttrends en benadrukt de noodzaak om de relevantie ervan in overweging te nemen bij het voorspellen van de goudprijs ^5,6. Beleggers zijn voortdurend op zoek naar investeringsmogelijkheden die het hoogste rendement bieden met het laagste risico. In dit opzicht dient goud als een veilige haven die financiële zekerheid biedt tijdens economische onzekerheden. Tot de beste beleggingsalternatieven in India behoren aandelen, banken, deposito's, verzekeringen, goudpostsparen, andere spaar- en beleggingsopties⁷. Gezien zijn stabiliteit wordt goud algemeen beschouwd als de beste alternatieve beleggingsoptie onder de verschillende beleggingsopties en een waardevol bezit dat beschermt tegen inflatie en financiële risico's ^1,8. De bepaling van de goudprijs wordt beïnvloed door factoren zoals de vraag naar en het aanbod, de inflatie en de wisselkoersen van goud. Een verrassende bevinding geeft aan dat de appreciatie van de dollar correleert met hogere goudprijzen, mogelijk als gevolg van speculatieve investeringen⁹. Het is moeilijk om de goudprijs te voorspellen vanwege de volatiele, onvoorspelbare, niet-lineaire en oncontroleerbare prijsbeweging¹⁰. Daarom is een nauwkeurige voorspelling van de goudprijs van cruciaal belang voor beleggers, portefeuillebeheerders en beleidsmakers, aangezien verbeterde prognoses kunnen leiden tot aanzienlijke winstkansen¹¹. De huidige prijstrend van goud, die vier keer hoger is dan twee decennia geleden, en de wens om goud te behouden, trekken beleggers aan om te investeren in gerelateerde activa¹². Daarom moet elke belegger, voordat hij in goud belegt, de belangrijkste factoren begrijpen die van invloed zijn op de prijs¹³. In de financiële sector is het vermogen om de richting van de goudprijs te voorspellen essentieel, zelfs kleine verbeteringen in prestatievoorspelling kunnen resulteren in winst, geld is essentieel om een leven te leiden en degelijke financiële prognoses zullen economische expansie ondersteunen¹⁴.

Figuur 1 verkent de goudprijstrends in India over een periode van 2014 tot 2024 en hoe de goudprijs in toenemende mate gebaseerd is op wereldwijde factoren zoals de dollarindex, de federal funds rate, de consumentenprijsindex (CPI), de wisselkoers, de olieprijs en de S&P500¹⁵. Andere factoren zijn onder meer conjunctuurcycli, nominale rentetarieven, grondstoffenprijzen, wisselkoersen en aandelenkoersen¹⁶. Het benadrukt de aanzienlijke prijsveranderingen, volatiliteit in de markt en een periode van aanhoudende expansie van de goudprijs, vooral in de afgelopen jaren. Tussen 2014 en 2018 vertoonden de prijzen weinig volatiliteit, maar in 2019 werd een robuuste stijgende trend met meer prijsschommelingen waargenomen. De positie van goud als veilige haven werd versterkt door een aanzienlijke stijging in 2020, hoogstwaarschijnlijk veroorzaakt door zorgen over inflatie en economische onrust. De slotprijs volgt de open prijs op de voet, maar een grotere volatiliteit, vooral na 2020, blijkt uit grotere verschillen tussen hoge en lage prijzen. De prijzen zijn in de periode 2023-2024 gestaag gestegen en hebben recordhoogtes bereikt. De grafiek laat zien hoe goud in de loop van de tijd is gestegen, waardoor het een nuttige aanwinst is voor analisten en investeerders.

Een nauwkeurige voorspelling van de goudprijs is van vitaal belang voor een weloverwogen besluitvorming, maar het is een uitdaging vanwege complexe factoren zoals economische en geopolitieke omstandigheden¹⁷. Traditionele modellen zoals Autoregressive Integrated Moving Average (ARIMA) hebben vaak moeite om deze complexiteiten vast te leggen, waardoor hun voorspellende nauwkeurigheid wordt beperkt^18,19. In een zoektocht om deze beperkingen te overwinnen, hebben de recente ontwikkelingen op het gebied van machine learning en deep learning de nauwkeurigheid van financiële prognoses aanzienlijk verbeterd. Experimenten hebben aangetoond dat deep learning-modellen zoals Long Short-Term Memory (LSTM)-netwerken aanzienlijk beter presteren dan traditionele statistische modellen door sequentiële relaties en trends in goudprijzen vast te leggen²⁰. Hybride voorspellingsmodellen zijn een belangrijke overweging bij het voorspellen van goudprijzen in big data-berekeningen en economie²¹. Desalniettemin hebben terugkerende modellen zoals Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU), ongeacht hun prestaties, natuurlijke beperkingen zoals verdwijnende gradiëntproblemen, hoge rekencomplexiteit en het onvermogen om langetermijnrelaties vast te leggen, wat van invloed kan zijn op hun efficiëntie bij het verwerken van grootschalige financiële tijdreeksgegevens.

Om deze tekorten te overbruggen en de nauwkeurigheid van voorspellingsvoorspellingen verder te verbeteren, zijn transformatormodellen nu een aantrekkelijke keuze bij het voorspellen van tijdreeksen, in vergelijking met LSTM-netwerken, maken transformatoren gebruik van zelfaandachtsmechanismen, waardoor ze effectief langetermijnpatronen en kortetermijnoscillaties in financiële gegevens detecteren en parallelle verwerking om de schaalbaarheid te verbeteren. Transformers hebben een aanzienlijk potentieel om de nauwkeurigheid van de voorspelling van de goudprijs te verbeteren, gezien hun effectiviteit bij het voorspellen van de financiële markten. De huidige studie heeft tot doel een transformatormodel te ontwikkelen voor het voorspellen van de goudprijs met behulp van goudprijzen uit het verleden en belangrijke economische gegevens, waardoor een robuustere benadering voor goudvoorspelling wordt geboden.

Eerdere studies hadden de goudprijs voorspeld met behulp van verschillende technieken zoals neurale netwerken, algoritmen, machine learning, deep learning en kunstmatige intelligentie. Enkele van de onderzoeken met betrekking tot de voorspelling van de goudprijs zijn de volgende:

Gaussiaanse procesregressie (GPR) is naar voren gekomen als een robuust hulpmiddel voor het voorspellen van metaalprijzen met toepassingen in staal, koper en edelmetalen, wat de effectiviteit ervan benadrukt bij het verwerken van hoogdimensionale financiële gegevens en het optimaliseren van modellen door middel van Bayesiaanse methoden om de goudprijs nauwkeuriger te voorspellen RMSE van 0,87²². De studie presenteert een nieuw hybride model dat een op willekeurige convolutionele kernels gebaseerd neuraal netwerk (RCK) combineert met gegeneraliseerde autoregressieve voorwaardelijke heteroskedasticiteit (GARCH) om de volatiliteit van goud, zilver en platina te voorspellen. De nauwkeurigheid van de voorgestelde methode is 53% hoger dan die van het GARCH-LSTM-model²³. De studie gebruikte ARIMA- en Holt-Winters-modellen om de toekomstige goudprijzen en inflatiecijfers in India en de Verenigde Staten te voorspellen door rekening te houden met de consumentenprijsindex (CPI). Goud is een goede afdekking tegen inflatie voor zowel Indiase als Amerikaanse beleggers²⁴. De studie vergelijkt deep learning- en machine learning-modellen om de relatie van Bitcoin met wereldwijde factoren zoals goud, olie, US Dollar Index (DXY) en rentetarieven te analyseren. Temporal Fusion Transformer (TFT) presteert beter dan anderen, waarbij goud en DXY worden benadrukt als belangrijke beïnvloeders te midden van wereldwijde evenementen en regelgeving²⁵. Bovendien beoordeelt de studie systematisch de factoren die van invloed zijn op de goudfuturesprijzen, zoals inflatie, rente, prijs van ruwe olie en de Amerikaanse dollarindex, met drie belangrijke voorspellingsmethoden: traditionele tijdreeksmodellen (ARIMA GARCH, ARDL), hybride modellen (MS-MIDAS-CJ, VMD-ICSS-BiGRU) en deep learning-methoden (SGRU-AM) DBN)²⁶. Transformatorarchitecturen hebben een sterk potentieel voor het voorspellen van tijdreeksen op de lange termijn door langeafstandsafhankelijkheden effectief vast te leggen en beter te presteren dan traditionele modellen op basis van terugkerende neurale netwerken (RNN)²⁷. De studie onderzocht de relatie tussen goudprijzen en belangrijke determinanten zoals aandelenmarkten, ruwe olie, wisselkoersen, inflatie en rentetarieven. Het maakt gebruik van machine learning-algoritmen die vinden dat gradiëntverhogende regressie nauwkeuriger is dan willekeurige bosregressie bij het voorspellen van goudprijzen¹⁴. De studie gebruikte het Autoregressive Distribution Lag (ARDL)-model om de jaarlijkse goudprijzen te voorspellen met behulp van schatkistpapier, de vraag naar goud en de vertraagde goudprijzen als covariabelen²⁸. Het voorgestelde Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM)-model voor het voorspellen van de goudprijs laat superieure prestaties zien in vergelijking met traditionele methoden met lagere MAE- en RMSE-waarden. Het opnemen van convolutionele lagen in de LSTM-architectuur verbetert het vermogen om zowel kortetermijnpatronen als langetermijnafhankelijkheden in de gegevens vast te leggen²⁹.

De toekomstige goudprijs wordt voorspeld op basis van vier grondstoffen: historische gegevens van goudprijzen, zilverprijzen, prijzen van ruwe olie en de Standard and Poor's 500 aandelenindex (S&P500) index en wisselkoers door gebruik te maken van het Extreme Learning Machine (ELM)-model met een nauwkeurigheid van 91,67%⁴. Een meerlaags Perceptron (MLP) neuraal netwerkmodel werd gebruikt om schommelingen in aandelenkoersen en goudprijzen te voorspellen op basis van gegevens van de Teheran Stock Exchange (TSE). Het resultaat gaf aan dat het kunstmatige neurale netwerk beter presteerde dan traditionele voorspellingsmodellen in termen van voorspellingsnauwkeurigheid³⁰. De studie vergeleek LSTM met lineaire regressiemodellen en ontdekte dat lineaire regressie een marginaal hogere nauwkeurigheid van 53,02% bereikte bij het voorspellen van de dagelijkse fluctuaties van de goudprijs. Dit suggereert dat zelfs eenvoudigere modellen effectief kunnen zijn bij het voorspellen van goudprijsbewegingen, wat het belang benadrukt van het begrijpen van de relaties tussen goudprijzen en bredere economische factoren³¹. Wavelet Neural Network (WNN) modellering voor het voorspellen van goudprijzen Experimentele resultaten toonden aan dat het verbeterde Artificial Bee Colony (ABC)-algoritme beter presteert dan de traditionele ABC-benadering bij het voorspellen van goudprijzen met behulp van neurale netwerken van wavelet³².

Er zijn verschillende geavanceerde voorspellende modellen voorgesteld voor goud- en financiële marktprognoses. Een van de studies ontwikkelde een voorspellingsmodel voor de goudprijs met behulp van een Adaptive Neuro-Fuzzy Inference System (ANFIS) met goudprijzen uit het verleden als input. Het model voorspelde nauwkeurig de goudprijs voor de volgende dag die beter presteerde dan ARIMA- en CNN-modellen in termen van RMSE. Het overtrof ook de prestaties van zowel Buy- als Hold-strategieën door aanzienlijk hogere rendementen op investeringen te leveren, wat een sterk potentieel aantoont voor het voorspellen van de goudprijs³³. Een andere studie integreerde een ELM met een Fuzzy Inference System (FIS) en gebruikte de Chaotic Quantum Crisscross Search Algorithm (CQCSA) optimalisatietechniek. Dit hybride model presteert superieur bij het voorspellen van de goud- en olieprijzen³⁴. Een onderzoek maakte gebruik van verschillende machine learning-modellen voor het voorspellen van financiële markten tijdens de COVID-19-periode, waarbij Vanilla Stacked LSTM's andere benaderingen in tijdreeksprognoses overtroffen. De bevindingen benadrukten het belang van het opnemen van niet-economische variabelen naast historische financiële gegevens voor marktvoorspellingen op korte termijn³⁵. De studie onderzocht ensemblemodellen voor het voorspellen van de bewegingen van de goud- en zilveraandelenkoersen. Deze benaderingen bereikten opmerkelijke nauwkeurigheidspercentages van 85% voor goud en 79% voor zilver, wat aangeeft dat ze in staat zijn om complexe marktdynamieken vast te leggen³⁶. In een andere studie die zich richtte op deep learning-architecturen voor het voorspellen van de goudprijs, presteerde het Bidirectional Long Short-Term Memory (BiLSTM)-model beter dan standaard LSTM's door hogere R²-, lagere MAE- en RMSE-waarden te bereiken. Door het effectief vastleggen van temporele patronen uit genormaliseerde historische gegevens, toonde BiLSTM zijn potentieel aan om de nauwkeurigheid van financiële prognoses te verbeteren³⁷.

Het nauwkeurig voorspellen van de goudprijs vormt al lang een grote uitdaging voor beleggers, analisten en beleidsmakers vanwege de volatiele, niet-lineaire en multifactoriële aard van de financiële markten¹⁰. Traditionele statistische modellen zoals ARIMA en op regressie gebaseerde benaderingen hebben beperkingen aangetoond bij het vastleggen van de complexe en dynamische relaties die inherent zijn aan goudprijsbewegingen, met name onder invloed van macro-economische indicatoren, geopolitieke spanningen en wereldwijde financiële verschuivingen¹⁹. Hoewel ARIMA en vergelijkbare modellen nuttig zijn voor lineaire prognoses op korte termijn, missen ze het vermogen om niet-lineariteit, structurele breuken en langetermijnafhankelijkheden vast te leggen^18,38. Hoewel deep learning-modellen zoals LSTM en GRU de voorspellingsprestaties hebben verbeterd door sequentiële patronen te leren²⁰. Deze modellen hebben nog steeds last van intrinsieke beperkingen, zoals verdwijnende gradiënten en moeilijkheden bij het modelleren van langetermijnafhankelijkheden in tijdreeksgegevens²⁹. Hoewel hybride en ensemblemodellen zijn onderzocht, worstelen ze bovendien vaak met schaalbaarheid en rekenefficiëntie in grootschalige financiële datasets²³. Goud, dat steeds vaker wordt gebruikt als afdekking tegen inflatie en economische onzekerheid, vooral in landen als India, waar het een aanzienlijke culturele en financiële betekenis heeft, is de vraag naar robuuste, zeer nauwkeurige voorspellende modellen van het grootste belang geworden². Recente innovaties op het gebied van deep learning, met name de transformatorarchitectuur die bekend staat om zijn zelfaandachtsmechanisme, hebben veelbelovende resultaten opgeleverd bij tijdreeksprognosetaken in financiële domeinen¹⁷. In de bestaande literatuur ontbreekt echter een uitgebreid onderzoek naar transformatormodellen die specifiek bedoeld zijn voor het voorspellen van de goudprijs met behulp van historische datasets op lange termijn die zijn verrijkt met diverse economische indicatoren. De meeste eerdere studies waren gericht op kortetermijnvoorspelling of gebruikten beperkte gegevensinvoer, waarbij het volledige potentieel van transformatormodellen bij het vastleggen van markttrends op zowel korte als lange termijn werd verwaarloosd³¹.

Daarom pakt de huidige studie de kritieke onderzoekskloof aan door een transformer deep learning-model voor te stellen en te evalueren dat is getraind op een decennium aan historische goudprijsgegevens (2014-2024) die zijn verzameld via een geautomatiseerde en reproduceerbare webscraping-methode met behulp van UiPath. Het model is bedoeld om de nauwkeurigheid van de voorspelling te verbeteren en beter te presteren dan bestaande modellen zoals LSTM, CNN-LSTM en regressie. Het biedt beleggers en beleidsmakers een betrouwbaar instrument bij het nemen van weloverwogen beslissingen in het kader van marktonzekerheid²².

De onstuitbare stijging van de goudprijs heeft de behoefte aan prognoses vergroot, wat belangrijker dan ooit is voor beleggers, financiële analisten en beleidsmakers. Goud wordt algemeen gewaardeerd als een veilige haven en speelt een sleutelrol in beleggingsstrategieën, met name in landen als India, waar het economisch en cultureel belangrijk is. In een steeds volatielere markt en wereldwijde onzekerheid zijn betrouwbare voorspellingen cruciaal voor het maximaliseren van rendementen, het beheersen van risico's en het nemen van goede financiële beslissingen. De studie is bedoeld om een nauwkeurig en effectief voorspellingsmodel voor de goudprijs te ontwikkelen dat aansluit bij de complexiteit van de huidige financiële markten.

Protocol

De methodologie voor dit onderzoek is een systematisch proces dat is ontworpen om een transformatormodel te ontwikkelen voor het voorspellen van de goudprijs. Het verzamelen van gegevens is de eerste stap waar historische goudprijsgegevens en relevante financiële indicatoren worden verzameld om een uitgebreide dataset te vormen. De dataset ondergaat gegevensvoorverwerking, modelontwikkeling, evaluatie, prestatiestatistieken en ten slotte goudprijsvoorspelling met een gedetailleerde uitleg in de volgende paragrafen.

Gegevensverzameling en betrouwbaarheid:
Historische goudprijsgegevens voor dit onderzoek werden verzameld met behulp van een geautomatiseerd proces dat is ontwikkeld op het UiPath Robotic Process Automation (RPA)-platform. De dataset is verkregen van Investing.com een veelgebruikt en gerenommeerd financieel platform dat bekend staat om zijn gestructureerde en nauwkeurige grondstoffen- en marktgegevens³⁹. Het bevatte dagelijkse waarden voor Datum, Open, Hoog, Laag, Slot, Volume en Procentuele verandering voor de periode van 1 januari 2014 tot 31 december 2024 (aanvullende tabel 1). De automatisering was geprogrammeerd om naar de relevante pagina met historische gegevens te navigeren, het gedefinieerde datumbereik op te geven en de gegevensset naar Excel te exporteren. Om de stabiliteit en uitvoeringssnelheid te verbeteren, vermeed het proces de interface van de kalenderkiezer en bevatte het validatieroutines, vertragingen en voorwaardelijke controles om tegemoet te komen aan variaties op webpagina's. Deze aanpak maakte het mogelijk om efficiënte, herhaalbare en nauwkeurige gegevensextractie te maken zonder dat handmatige tussenkomst nodig was.

Om de integriteit en betrouwbaarheid van gegevens te garanderen, zijn meerdere validatiestappen opgenomen, zoals UiPath's Element Exists, voorwaardelijke controles en vertragingen om het dynamisch laden van pagina's te controleren om de integriteit en betrouwbaarheid van de gegevens te garanderen. Webscraping van externe bronnen kan een waardevolle methode zijn om efficiënt grote datasets te verkrijgen. Het kan echter ook uitdagingen met zich meebrengen, zoals inconsistente gegevensindelingen, veranderingen in de structuur van webpagina's of variaties in de beschikbaarheid van gegevens in de loop van de tijd. De scraping-tool heeft procedures voor het afhandelen van fouten en heeft periodieke betrouwbaarheidstests ondergaan om deze risico's te verminderen. Om de juistheid te bevestigen, werden de opgehaalde gegevens verder willekeurig gecontroleerd met informatie uit andere bronnen, zoals Yahoo Finance. Tijdens de voorverwerking werden forward filling en interpolatie gebruikt om niet-handelsdagen en ontbrekende records te beheren. Deze methode biedt een robuuste maar effectieve manier om een betrouwbare dataset te produceren die geschikt is voor deep learning-modellen.

Voorverwerking van gegevens:
In de huidige studie werd de goudprijsdataset eerst in een pandas DataFrame geladen om een dataset in tabelvorm te creëren voor analyse en onderzocht met behulp van methoden zoals info, describe en unique om gegevenstypen, statistische verdelingen en het aantal unieke waarden in elke kolom te beoordelen. De dataset werd vervolgens in oplopende volgorde gesorteerd op basis van de index, waardoor een chronologische rangschikking voor tijdreeksanalyse werd gegarandeerd. Ontbrekende waarden werden geïdentificeerd en geëlimineerd met behulp van dropna en dubbele vermeldingen werden gedetecteerd met behulp van de gedupliceerde methode en vervolgens verwijderd met drop_duplicates om de gegevensintegriteit te behouden. Kolomnamen werden gestandaardiseerd voor consistentie door variabelen zoals Prijs te hernoemen naar Sluiten, Volume naar Volume en Verander % naar Verandering, waardoor duidelijkheid in verdere analyse werd vergemakkelijkt. Door deze stappen werd de dataset opgeschoond, gestructureerd en voorbereid om nauwkeurige en betrouwbare daaropvolgende modellering en interpretatie te ondersteunen.

Model ontwikkeling:
Het transformatormodel vertrouwt op mechanismen voor zelfaandacht in plaats van herhaling of convolutie, waardoor efficiënte sequentiemodellering mogelijk is. In de context van tijdreeksvoorspellingen, zoals de voorspelling van de goudprijs, kan deze architectuur effectief langetermijnafhankelijkheden vastleggen⁴⁰. Daarom wordt het transformatormodel in figuur 2 gebruikt voor het voorspellen van de goudprijs door gebruik te maken van geavanceerde deep-learningtechnieken om historische prijstrends te analyseren. Na de voorverwerking van de gegevens gaan de invoergegevens eerst door een inbeddingslaag, waarbij numerieke kenmerken worden omgezet in dichte vectorrepresentaties, waardoor de gegevens betekenisvoller worden voor analyse. Positionele codering wordt toegepast om tijdelijke informatie te behouden. Elk encoderblok bevat een aandachtsmechanisme met meerdere koppen met 4 aandachtskoppen, gevolgd door een feed-forward neuraal netwerk. Elke aandachtskop gebruikt geschaalde punt-productaandacht om zich te concentreren op relevante historische gegevenspunten. Het model heeft vier encoderlagen, elk met een feed-forward binnenlaaggrootte van 512 en een dimensionaliteit (d_model) van 128. Elke sublaag wordt gevolgd door regularisatie van drop-out met een snelheid van 0,1 om overfitting te voorkomen. Constant gebruik van restverbindingen en laagnormalisatie stabiliseert de training en verbetert de convergentie. Een belangrijk onderdeel van het model is het aandachtsmechanisme dat de meest relevante datapunten uit het verleden identificeert en prioriteert in plaats van alle historische waarden gelijk te behandelen. Hierdoor kan het model belangrijke patronen en afhankelijkheden in goudprijsbewegingen vastleggen. De verwerkte informatie wordt vervolgens door een neurale netwerklaag geleid die de patronen en relaties verder verfijnt om de nauwkeurigheid van de voorspelling te verbeteren. Bovendien bevat het model meerdere gestapelde transformatorlagen, waardoor het beter in staat is om complexe trends te leren en voorspellende prestaties te verbeteren. Ten slotte wordt de nauwkeurigheid van het model geëvalueerd met behulp van prestatiestatistieken zoals Mean Squared Error (MSE), Root Mean Squared Error (RMSE) en R-kwadraat (R²). Deze transformatorbenadering legt op efficiënte wijze zowel korte- als langetermijnafhankelijkheden vast in financiële tijdreeksgegevens, waardoor het zeer effectief is voor nauwkeurige voorspellingen van de goudprijs.

Om de invoerfuncties te normaliseren, is Min-Max-schaling toegepast, zoals wordt weergegeven in de volgende vergelijking.

Laat x een kenmerkwaarde zijn, x_min en x_max het minimum en maximum van het kenmerk⁴¹.

X: de oorspronkelijke waarde (de goudprijs van vandaag).
x_min, x_min: de min en max van de trainingsperiode van die functie.
[een, b]; het doelbereik (meestal [0, 1]; soms [-1, 1]).

De kern van de transformator-encoder is het geschaalde punt-productaandachtsmechanisme⁴⁰ , gedefinieerd als:

Gemiddelde kwadratische fout (MSE)
Het model werd getraind om de gemiddelde kwadratische fout (MSE) tussen voorspelde en werkelijke waarden te minimaliseren⁴².

MSE =

Gemiddelde kwadratische fout (RMSE)
De prestaties werden geëvalueerd met behulp van Root Mean Square Error (RMSE)⁴³, berekend als

RMSE =

Training en validatie
De dataset is opgedeeld in drie subsets, waarbij 80% is toegewezen voor training, 10% voor testen en 10% voor validatie. Het model is geoptimaliseerd met behulp van de Adam-optimizer⁴⁴ met een batchgrootte van 64 en een leersnelheid van 0,001. Om overfitting te voorkomen, wordt er gedurende 50 tijdperken training gegeven met vroegtijdige stopzetting op basis van validatieverlies. Mean Squared Error (MSE) dient als verliesfunctie. Doeloutputs zijn de waarde op t+30 en sequentie-inputs worden gegenereerd met een terugkijkvenster van 30 dagen (L = 30). Indien nodig worden opvulling en maskering toegepast om constante sequentielengtes te behouden. TenSorFlow⁴⁵ werd gebruikt om het model te implementeren, waardoor de schaalbaarheid en reproduceerbaarheid worden gegarandeerd. De reproduceerbaarheid wordt ondersteund door deze uitgebreide specificaties die ook het begrip van de aanpassing van de transformatorarchitectuur voor financiële prognoses verbeteren.

Testing
De eindevaluatie van het transformatormodel wordt uitgevoerd met behulp van de testdataset die de resterende 10% van de totale gegevens omvat. De voorspelde goudprijzen worden vergeleken met werkelijke waarden en prestatiestatistieken worden berekend om de nauwkeurigheid van de voorspelling te meten.

Model evaluatie
De voorspellende prestaties van het model werden geëvalueerd met behulp van belangrijke statistische statistieken zoals de Mean Squared Error (MSE), Root Mean Squared Error (RMSE) en R-kwadraat (R²). De resultaten worden in het volgende hoofdstuk gepresenteerd.

Resultaten

In de studie werden prestatiestatistieken beoordeeld aan de hand van historische gegevens, deze statistieken werden gebruikt om een uitgebreid beeld te geven van hoe goed het transformatormodel de toekomstige goudprijzen voorspelde.

In figuur 3 geeft de kandelaargrafiek van de goudprijs een grondige visuele weergave van prijsschommelingen, met de nadruk op significante patronen, marktcorrecties en stabiele intervallen in de tijd. ...

Discussie

De huidige studie stelde een transformer deep learning-model voor dat gebruikmaakt van gegevens die zijn geschraapt door UiPath, een geautomatiseerd platform dat zorgt voor de tijdige en georganiseerde verwerving van financiële gegevens om de goudfuturesprijzen met verbeterde nauwkeurigheid en betrouwbaarheid te voorspellen. Het model bevat gegevens over de goudprijs met belangrijke technische indicatoren zoals volumestatistieken, voortschrijdende gemiddelden over 30 en 100 dagen, trends...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Gegevensbron	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com is een financiële marktplatform dat marktnotaties, informatie over aandelen, futures, enz. biedt.
Transformer Model (Python geïmplementeerd in Google Colab)	Google	https://colab.research.google.com/	Er is een Python-broncode ontwikkeld voor gegevensanalyse om inzichten uit gegevens te halen, en die code is uitgevoerd in deze virtuele Google Colab-omgeving
UiPath Robotic Process Automation	UiPath, Inc.	https://www.uipath.com	Om de gegevens uit de bron te extraheren, en de code is uitgevoerd op dit platform UiPath Studio.