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 sprongen

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 voo....

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.