Przewidywanie cen kontraktów terminowych na złoto przy użyciu modeli głębokiego uczenia transformatorów z danymi zeskrobanymi za pomocą UiPath

Podsumowanie

W ramach badania opracowano model głębokiego uczenia transformatorów, aby dokładnie przewidywać ceny złota na podstawie danych historycznych z lat 2014-2024. Osiągając dokładność 93%, model przewyższa tradycyjne metody, rejestrując złożone trendy i zależności. Pomaga inwestorom i decydentom w podejmowaniu decyzji i sugeruje przyszłe ulepszenia na podstawie analizy nastrojów i czynników globalnych.

Streszczenie

Złoto jest jednym z najcenniejszych i najczęściej sprzedawanych towarów na świecie, szczególnie w Indiach, i odgrywa znaczącą rolę na rynkach gospodarczych i finansowych. Historycznie rzecz biorąc, złoto było kamieniem węgielnym handlu międzynarodowego i stabilności gospodarczej, a banki centralne utrzymywały rezerwy w celu zarządzania inflacją i długiem zagranicznym. Cena złota służy jako kluczowy wskaźnik ekonomiczny, który wpływa na trendy rynkowe i strategie inwestycyjne. Jednak dokładne przewidywanie cen złota jest trudne ze względu na złożony i nieliniowy charakter rynków finansowych, na które wpływają różne czynniki, w tym stopy procentowe, recesje gospodarcze, wahania cen ropy naftowej i wydarzenia geopolityczne. Badany model transformatora został wykorzystany do przewidywania dziennych cen złota, które zostały zebrane z investing.com za pomocą skrobania stron internetowych za pomocą UiPath. Jest to platforma Robotic Process Automation (RPA) mająca na celu zachowanie integralności danych i zwiększenie wydajności modelu, przeprowadzono operacje przetwarzania wstępnego, takie jak obsługa brakujących danych i skalowanie MinMax. Model został przetestowany i przeszkolony na kluczowych wskaźnikach wydajności i osiągnął błąd średniokwadratowy (MSE) równy 0,0224, błąd średniokwadratowy (RMSE) 0,1496 i R-kwadrat 0,93 z wysoką dokładnością przewidywania. Wyniki badania potwierdzają, że model transformatorowy skutecznie wykrywa krótkoterminowe ruchy cen i długoterminowe trendy rynkowe, oferując dokładniejszą i bardziej niezawodną metodę niż tradycyjne metody prognozowania. Badanie dostarcza cennych wskazówek dla inwestorów, analityków finansowych i decydentów w podejmowaniu świadomych decyzji na rynku złota bulionowego. Przyszłe badania mogą zostać ulepszone dzięki włączeniu alternatywnych źródeł danych, takich jak nastroje z nagłówków wiadomości i mediów społecznościowych, które mogą potencjalnie zapewnić bogatszy wgląd w ruchy rynkowe.

Wprowadzenie

Złoto jest jednym z najważniejszych surowców na rynkach finansowych, krytycznym zasobem gospodarczym i narzędziem kontroli cen. Złoto stanowi znaczną część rezerw banków centralnych w wielu krajach¹. Ostatnio złoto stało się bardziej znane jako zabezpieczenie przed inflacją². Jest to kluczowy składnik aktywów zabezpieczających, a jego prognozowanie zmienności poprawia się przy użyciu modeli uogólnionej autoregresywnej warunkowej heteroskedastyczności - mieszanego próbkowania danych (GARCH-MIDAS), które uwzględniają asymetrię, ekstrema i skoki³. Indie i Chiny są największymi importerami i konsumentami złota, odpowiadając za około 60% światowego popytu. Ciągły wzrost cen złota napędzany dynamiką rynku i stosunkami towarowymi sprawił, że złoto stało się preferowaną inwestycją dla przyszłych stóp zwrotu⁴. W Indiach wielkość fizycznych zasobów złota jest znaczna, a gospodarstwa domowe często traktują złoto zarówno jako dobro kulturowe, jak i zabezpieczenie finansowe. Jego popyt na fizyczne złoto bezpośrednio wpływa na trendy rynkowe, podkreślając potrzebę rozważenia jego znaczenia w prognozowaniu cen złota ^5,6. Inwestorzy nieustannie poszukują możliwości inwestycyjnych, które oferują najwyższe zyski przy najniższym ryzyku. W związku z tym złoto służy jako bezpieczna przystań zapewniająca bezpieczeństwo finansowe w czasach niepewności gospodarczej. Do najlepszych alternatyw inwestycyjnych w Indiach należą akcje, banki, depozyty, ubezpieczenia, złote oszczędności pocztowe, inne opcje oszczędnościowe i inwestycyjne⁷. Ze względu na swoją stabilność, złoto jest powszechnie uważane za najlepszą alternatywną opcję inwestycyjną spośród różnych opcji inwestycyjnych i cenne aktywo, które chroni przed inflacją i ryzykiem finansowym ^1,8. Na kształtowanie ceny złota mają wpływ takie czynniki, jak popyt na złoto, podaż, inflacja i kursy walut. Zaskakujące odkrycie wskazuje, że aprecjacja dolara koreluje ze wzrostem cen złota, potencjalnie spowodowanym inwestycjami spekulacyjnymi⁹. Trudno jest przewidzieć cenę złota ze względu na jego zmienny, nieprzewidywalny, nieliniowy i niekontrolowany ruch cen¹⁰. Dlatego dokładne przewidywanie cen złota ma kluczowe znaczenie dla inwestorów, zarządzających portfelami i decydentów, ponieważ lepsze prognozowanie może prowadzić do znacznych możliwości zysku¹¹. Obecny trend cenowy złota, który jest czterokrotnie wyższy niż dwie dekady temu, oraz chęć zatrzymania złota przyciągają inwestorów do inwestowania w powiązane aktywa¹². Dlatego przed zainwestowaniem w złoto każdy inwestor musi zrozumieć kluczowe czynniki wpływające na jego cenę¹³. W branży finansowej zdolność do prognozowania kierunku cen złota jest niezbędna; nawet niewielkie postępy w przewidywaniu wyników mogą skutkować zyskami, pieniądze są niezbędne do prowadzenia życia, a rozsądne prognozy finansowe będą wspierać ekspansję gospodarczą¹⁴.

Rysunek 1 przedstawia trendy cen złota w Indiach w okresie od 2014 do 2024 r. oraz to, w jaki sposób ceny złota w coraz większym stopniu opierają się na czynnikach globalnych, takich jak indeks dolara, stopa funduszy federalnych, indeks cen konsumpcyjnych (CPI), kurs walutowy, ceny ropy naftowej i indeks S&P500¹⁵. Inne czynniki obejmują cykle koniunkturalne, nominalne stopy procentowe, ceny surowców, kursy walutowe i ceny akcji¹⁶. Podkreśla on znaczące zmiany cen, zmienność na rynku i okres trwałego wzrostu cen złota, szczególnie w ostatnich latach. W latach 2014-2018 ceny wykazywały niewielką zmienność, jednak w 2019 r. zaobserwowano silny trend wzrostowy z większymi wahaniami cen. Pozycja złota jako bezpiecznej przystani została wzmocniona przez znaczny wzrost w 2020 r., najprawdopodobniej spowodowany obawami o inflację i wstrząsy gospodarcze. Cena zamknięcia jest ściśle zgodna z ceną otwarcia, ale większą zmienność, szczególnie po 2020 roku, pokazują szersze luki między cenami wysokimi i niskimi. W latach 2023-2024 ceny stale rosły, osiągając rekordowe poziomy. Wykres pokazuje, jak złoto zyskiwało na wartości na przestrzeni czasu, co czyni je użytecznym aktywem dla analityków i inwestorów.

Dokładne przewidywanie cen złota ma kluczowe znaczenie dla podejmowania świadomych decyzji, ale jest trudne ze względu na złożone czynniki, takie jak warunki gospodarcze i geopolityczne¹⁷. Tradycyjne modele, takie jak Autoregresywna Zintegrowana Średnia Krocząca (ARIMA), często mają trudności z uchwyceniem tych złożoności, co ogranicza ich dokładność predykcyjną^18,19. W dążeniu do przezwyciężenia tych ograniczeń ostatnie postępy w uczeniu maszynowym i głębokim uczeniu znacznie poprawiły dokładność prognoz finansowych. Eksperymenty wykazały, że modele głębokiego uczenia, takie jak sieci długiej pamięci krótkotrwałej (LSTM), działają znacznie lepiej niż tradycyjne modele statystyczne, rejestrując sekwencyjne relacje i trendy w cenach złota²⁰. Hybrydowe modele prognostyczne są kluczowym czynnikiem branym pod uwagę przy prognozowaniu cen złota w obliczeniach big data i ekonomii²¹. Niemniej jednak, niezależnie od ich wydajności, modele rekurencyjne, takie jak Long Short-Term Memory (LSTM) i Gated Recurrent Unit (GRU), mają naturalne ograniczenia, takie jak znikające problemy z gradientem, wysoka złożoność obliczeniowa i niemożność uchwycenia relacji dalekiego zasięgu, co może mieć wpływ na ich wydajność w obsłudze danych szeregów czasowych finansów na dużą skalę.

Aby zniwelować te deficyty i jeszcze bardziej zwiększyć dokładność predykcji, modele transformatorowe są obecnie atrakcyjnym wyborem w prognozowaniu szeregów czasowych, w porównaniu z sieciami LSTM, transformatory wykorzystują mechanizmy samouwagi, dzięki czemu skutecznie wykrywają długoterminowe wzorce i krótkoterminowe oscylacje w danych finansowych i przetwarzaniu równoległym w celu poprawy skalowalności. Transformatory mają znaczny potencjał, aby poprawić dokładność prognozowania cen złota, biorąc pod uwagę ich skuteczność w prognozowaniu rynków finansowych. Niniejsze badanie ma na celu opracowanie modelu transformatorowego do prognozowania cen złota na podstawie przeszłych cen złota i głównych danych ekonomicznych, zapewniając bardziej solidne podejście do prognozowania złota.

Wcześniejsze badania przewidywały cenę złota przy użyciu kilku technik, takich jak sieci neuronowe, algorytmy, uczenie maszynowe, głębokie uczenie i sztuczna inteligencja. Niektóre z badań związanych z prognozowaniem cen złota są następujące:

Regresja procesu Gaussa (GPR) stała się solidnym narzędziem do prognozowania cen metali z zastosowaniami w stali, miedzi i metalach szlachetnych, podkreślając jego skuteczność w obsłudze wielowymiarowych danych finansowych i optymalizacji modeli za pomocą metod bayesowskich w celu dokładniejszego przewidywania ceny złota RMSE na poziomie 0,87²². W badaniu przedstawiono nowatorski model hybrydowy, który łączy losową sieć neuronową opartą na splotowych jądrach (RCK) z uogólnioną autoregresywną warunkową heteroskedastycznością (GARCH) w celu przewidywania zmienności złota, srebra i platyny. Dokładność sugerowanej metody jest o 53% wyższa niż w przypadku modelu GARCH-LSTM²³. W badaniu wykorzystano modele ARIMA i Holt-Winters do prognozowania przyszłych cen złota i stóp inflacji w Indiach i Stanach Zjednoczonych, biorąc pod uwagę wskaźnik cen konsumpcyjnych (CPI). Złoto jest dobrym zabezpieczeniem przed inflacją zarówno dla inwestorów z Indii, jak i Stanów Zjednoczonych²⁴. W badaniu porównano modele głębokiego uczenia i uczenia maszynowego w celu przeanalizowania związku Bitcoina z czynnikami globalnymi, takimi jak złoto, ropa naftowa, indeks dolara amerykańskiego (DXY) i stopy procentowe. Temporalny transformator fuzyjny (TFT) przewyższa inne, podkreślając złoto i DXY jako kluczowe czynniki wpływające na globalne wydarzenia i przepisy²⁵. Ponadto w badaniu dokonano systematycznego przeglądu czynników wpływających na ceny kontraktów terminowych na złoto, takich jak stopa inflacji, stopa procentowa, cena ropy naftowej i indeks dolara amerykańskiego, za pomocą trzech głównych metod prognozowania: tradycyjnych modeli szeregów czasowych (ARIMA GARCH, ARDL), modeli hybrydowych (MS-MIDAS-CJ, VMD-ICSS-BiGRU) oraz metod głębokiego uczenia (SGRU-AM) DBN)²⁶. Architektury transformatorów mają duży potencjał w długoterminowym prognozowaniu szeregów czasowych, skutecznie wychwytując zależności dalekiego zasięgu i przewyższając tradycyjne modele oparte na powtarzających się sieciach neuronowych (RNN)²⁷. W badaniu zbadano związek między cenami złota a kluczowymi determinantami, takimi jak rynki akcji, ropa naftowa, kursy walutowe, inflacja i stopy procentowe. Wykorzystuje algorytmy uczenia maszynowego stwierdzające, że regresja zwiększająca gradient jest dokładniejsza niż losowa regresja lasu w przewidywaniu cen złota¹⁴. W badaniu wykorzystano model Autoregressive Distribution Lag (ARDL) do prognozowania rocznych cen złota na podstawie oprocentowania bonów skarbowych, popytu na złoto i opóźnionych cen złota jako współzmiennych²⁸. Proponowany model konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN-LSTM) do prognozowania cen złota wykazuje lepszą wydajność w porównaniu z tradycyjnymi metodami o niższych wartościach MAE i RMSE. Włączenie warstw konwolucyjnych do architektury LSTM jeszcze bardziej zwiększa jego zdolność do uchwycenia zarówno krótkoterminowych wzorców, jak i długoterminowych zależności w danych²⁹.

Przyszłe ceny złota są przewidywane na podstawie czterech surowców: danych historycznych cen złota, cen srebra, cen ropy naftowej i indeksu giełdowego Standard and Poor's 500 (S&P500) oraz kursu walutowego przy użyciu modelu Extreme Learning Machine (ELM) z dokładnością do 91,67%⁴. Do przewidywania wahań cen akcji i cen złota na podstawie danych z Teherańskiej Giełdy Papierów Wartościowych (TSE) wykorzystano model wielowarstwowej sieci neuronowej Perceptron (MLP). Uzyskany wynik wskazuje, że sztuczna sieć neuronowa przewyższała tradycyjne modele prognostyczne pod względem dokładności przewidywania³⁰. W badaniu porównano LSTM z modelami regresji liniowej i odkryto, że regresja liniowa osiągnęła nieznacznie wyższy wskaźnik dokładności wynoszący 53,02% w prognozowaniu dziennych wahań cen złota. Sugeruje to, że nawet prostsze modele mogą być skuteczne w przewidywaniu ruchów cen złota, podkreślając znaczenie zrozumienia relacji między cenami złota a szerszymi czynnikami ekonomicznymi³¹. Wyniki eksperymentalnego badania modelowania falkowej sieci neuronowej (WNN) do prognozowania cen złota wykazały, że ulepszony algorytm sztucznej kolonii pszczół (ABC) przewyższa tradycyjne podejście ABC w prognozowaniu cen złota z wykorzystaniem falkowych sieci neuronowych³².

Zaproponowano kilka zaawansowanych modeli predykcyjnych do prognozowania złota i rynków finansowych. W jednym z badań opracowano model przewidywania cen złota przy użyciu adaptacyjnego systemu wnioskowania neuro-rozmytego (ANFIS) z danymi wejściowymi dotyczącymi cen złota w przeszłości. Model dokładnie przewidział ceny złota następnego dnia, przewyższając modele ARIMA i CNN pod względem RMSE. Przekroczył również wyniki zarówno strategii Kup, jak i Trzymaj, zapewniając znacznie wyższe zwroty z inwestycji, wykazując duży potencjał dla prognozowania cen złota³³. W innym badaniu zintegrowano ELM z systemem wnioskowania rozmytego (FIS) i wykorzystano technikę optymalizacji algorytmu chaotycznego kwantowego wyszukiwania krzyżowego (CQCSA). Ten hybrydowy model wykazuje doskonałą wydajność w przewidywaniu cen złota i ropy naftowej³⁴. W badaniu wykorzystano różne modele uczenia maszynowego do przewidywania rynków finansowych w okresie COVID-19, w którym LSTM Vanilla Stacked przewyższyły inne podejścia w prognozowaniu szeregów czasowych. Wyniki podkreśliły znaczenie uwzględniania zmiennych pozaekonomicznych wraz z historycznymi danymi finansowymi dla krótkoterminowych prognoz rynkowych³⁵. W badaniu przeanalizowano modele zespołowe do przewidywania ruchów cen akcji złota i srebra. Podejścia te osiągnęły godne uwagi wskaźniki dokładności wynoszące 85% dla złota i 79% dla srebra, co wskazuje na ich zdolność do uchwycenia złożonej dynamiki rynku³⁶. W innym badaniu skupiającym się na architekturach głębokiego uczenia do przewidywania cen złota, model dwukierunkowej pamięci długotrwałej (BiLSTM) przewyższył standardowe LSTM, osiągając wyższe wartości^R2, MAE i RMSE. Dzięki skutecznemu wychwytywaniu wzorców czasowych ze znormalizowanych danych historycznych projekt BiLSTM wykazał swój potencjał w zakresie zwiększania dokładności prognoz finansowych³⁷.

Dokładne przewidywanie cen złota od dawna stanowi poważne wyzwanie dla inwestorów, analityków i decydentów ze względu na niestabilny, nieliniowy i wieloczynnikowy charakter rynków finansowych¹⁰. Tradycyjne modele statystyczne, takie jak ARIMA i podejścia oparte na regresji, wykazały ograniczenia w uchwyceniu złożonych i dynamicznych relacji nieodłącznie związanych ze zmianami cen złota, szczególnie pod wpływem wskaźników makroekonomicznych, napięć geopolitycznych i globalnych zmian finansowych¹⁹. Chociaż ARIMA i podobne modele są przydatne do krótkoterminowego prognozowania liniowego, brakuje im możliwości uchwycenia nieliniowości, przerw strukturalnych i długoterminowych zależności^18,38. Chociaż modele głębokiego uczenia, takie jak LSTM i GRU, poprawiły wydajność przewidywania, ucząc się wzorców sekwencyjnych²⁰. Modele te nadal borykają się z wewnętrznymi ograniczeniami, takimi jak zanikające gradienty i trudności w modelowaniu długoterminowych zależności w danych szeregów czasowych²⁹. Ponadto, mimo że zbadano modele hybrydowe i zespołowe, często mają one problemy ze skalowalnością i wydajnością obliczeniową w przypadku dużych zbiorów danych finansowych²³. Złoto, coraz częściej wykorzystywane jako zabezpieczenie przed inflacją i niepewnością gospodarczą, zwłaszcza w krajach takich jak Indie, gdzie ma istotne znaczenie kulturowe i finansowe, zapotrzebowanie na solidne, bardzo dokładne modele predykcyjne stało się^nadrzędne. Niedawne innowacje w dziedzinie głębokiego uczenia, w szczególności architektura transformatorowa znana z mechanizmu samouwagi, przyniosły obiecujące wyniki w zadaniach prognozowania szeregów czasowych w różnych dziedzinach finansowych¹⁷. W istniejącej literaturze brakuje jednak kompleksowego badania modeli transformatorowych specjalnie na potrzeby prognozowania cen złota przy użyciu długoterminowych historycznych zestawów danych wzbogaconych o różnorodne wskaźniki ekonomiczne. Większość wcześniejszych badań koncentrowała się albo na prognozach krótkoterminowych, albo wykorzystywała ograniczone dane wejściowe, zaniedbując pełny potencjał modeli transformatorowych w uchwyceniu zarówno krótkoterminowych, jak i długoterminowych trendów rynkowych³¹.

W związku z tym niniejsze badanie odpowiada na krytyczną lukę badawczą, proponując i oceniając model głębokiego uczenia transformatora wytrenowany na historycznych danych dotyczących cen złota z dekady (2014-2024) zebranych za pomocą zautomatyzowanej i powtarzalnej metody skrobania stron internetowych przy użyciu UiPath. Model ma na celu zwiększenie dokładności przewidywania, przewyższając istniejące modele, takie jak LSTM, CNN-LSTM i regresja. Stanowi on wiarygodne narzędzie dla inwestorów i decydentów w podejmowaniu świadomych decyzji w warunkach niepewności rynkowej²² .

Niepowstrzymany wzrost cen złota zwiększył potrzebę prognozowania, które jest ważniejsze niż kiedykolwiek dla inwestorów, analityków finansowych i decydentów. Złoto jest powszechnie cenione jako bezpieczna przystań i odgrywa kluczową rolę w strategiach inwestycyjnych, szczególnie w krajach takich jak Indie, gdzie ma znaczenie gospodarcze i kulturowe. W coraz bardziej zmiennym rynku i globalnym środowisku niepewności wiarygodne prognozy mają kluczowe znaczenie dla maksymalizacji zysków, zarządzania ryzykiem i podejmowania rozsądnych decyzji finansowych. Badanie ma na celu opracowanie dokładnego i skutecznego modelu prognozowania cen złota, który jest zgodny ze złożonością dzisiejszych rynków finansowych.

Protokół

Metodologia tych badań to systematyczny proces mający na celu opracowanie modelu transformatorowego do prognozowania cen złota. Gromadzenie danych jest pierwszym krokiem, w którym gromadzone są historyczne dane dotyczące cen złota i odpowiednie wskaźniki finansowe w celu utworzenia kompleksowego zestawu danych. Zbiór danych poddawany jest wstępnemu przetwarzaniu danych, opracowywaniu modelu, ocenie, wskaźnikom wydajności i wreszcie prognozowaniu ceny złota ze szczegółowym wyjaśnieniem w kolejnych sekcjach.

Gromadzenie danych i ich wiarygodność:
Historyczne dane dotyczące cen złota na potrzeby tego badania zostały zebrane przy użyciu zautomatyzowanego procesu opracowanego na platformie UiPath Robotic Process Automation (RPA). Zbiór danych został uzyskany z Investing.com szeroko wykorzystywanej i renomowanej platformy finansowej znanej ze swoich ustrukturyzowanych i dokładnych danych towarowych i rynkowych³⁹. Zawierał on dzienne wartości dla daty, otwarcia, maksimum, minimum, zamknięcia, wolumenu i zmiany procentowej obejmujące okres od 1 stycznia 2014 r. do 31 grudnia 2024 r. (tabela uzupełniająca 1). Automatyzacja została zaprogramowana tak, aby przechodzić do odpowiedniej strony danych historycznych, określać zdefiniowany zakres dat i eksportować zestaw danych do Excela. Aby poprawić stabilność i szybkość wykonywania, w procesie zrezygnowano z interfejsu selektora kalendarza i włączono procedury walidacji, opóźnienia czasowe i kontrole warunkowe w celu dostosowania do zmian stron internetowych. Takie podejście pozwoliło na wydajną, powtarzalną i dokładną ekstrakcję danych bez konieczności ręcznej interwencji.

Aby zapewnić integralność i niezawodność danych, uwzględniono wiele kroków walidacji, takich jak Element Exists UiPath, kontrole warunkowe i opóźnienia w kontrolowaniu dynamicznego ładowania stron, aby zagwarantować integralność i niezawodność danych. Skrobanie stron internetowych ze źródeł zewnętrznych może być cenną metodą efektywnego pozyskiwania dużych zbiorów danych. Może to jednak również wiązać się z wyzwaniami, takimi jak niespójne formaty danych, zmiany w strukturze strony internetowej lub różnice w dostępności danych w czasie. Narzędzie do skrobania ma procedury obsługi błędów i przechodzi okresowe testy niezawodności w celu zmniejszenia tego ryzyka. Aby potwierdzić poprawność, pobrane dane zostały następnie losowo porównane z informacjami z innych źródeł, takich jak Yahoo Finance. Podczas przetwarzania wstępnego wypełnianie i interpolacja były wykorzystywane do zarządzania dniami niehandlowymi i brakującymi zapisami. Ta metoda oferuje solidny, ale skuteczny sposób tworzenia wiarygodnego zestawu danych, który jest odpowiedni dla modeli uczenia głębokiego.

Wstępne przetwarzanie danych:
W niniejszym badaniu zestaw danych cen złota został najpierw załadowany do ramki danych pandas w celu utworzenia tabelarycznego zestawu danych do analizy i zbadania przy użyciu metod, takich jak informacje, opis i unikalność w celu oceny typów danych, rozkładów statystycznych i liczby unikalnych wartości w każdej kolumnie. Zestaw danych został następnie posortowany w kolejności rosnącej na podstawie jego indeksu, co zapewniło chronologiczny porządek dla analizy szeregów czasowych. Brakujące wartości zostały zidentyfikowane i wyeliminowane za pomocą dropna, a zduplikowane wpisy zostały wykryte przy użyciu metody zduplikowanej, a następnie usunięte za pomocą drop_duplicates w celu zachowania integralności danych. Nazwy kolumn zostały ustandaryzowane w celu zapewnienia spójności poprzez zmianę nazw zmiennych, takich jak Cena do zamknięcia, Wolumen do wolumenu i Zmiana % do zmiany, co ułatwiło przejrzystość dalszej analizy. Dzięki tym krokom zestaw danych został oczyszczony, ustrukturyzowany i przygotowany do obsługi dokładnego i niezawodnego późniejszego modelowania i interpretacji.

Opracowanie modelu:
Model transformatorowy opiera się na mechanizmach samouwagi, a nie na nawrocie lub splocie, co umożliwia efektywne modelowanie sekwencji. W kontekście prognozowania szeregów czasowych, takich jak przewidywanie cen złota, architektura ta może skutecznie uchwycić zależności dalekiego zasięgu⁴⁰. W związku z tym model transformatora na rysunku 2 jest wykorzystywany do prognozowania cen złota poprzez wykorzystanie zaawansowanych technik głębokiego uczenia się do analizy historycznych trendów cenowych. Po wstępnym przetworzeniu danych dane wejściowe najpierw przechodzą przez warstwę osadzania, przekształcając cechy liczbowe w gęste reprezentacje wektorowe, dzięki czemu dane są bardziej znaczące dla analizy. Kodowanie pozycyjne jest stosowane w celu zachowania informacji czasowych. Każdy blok enkodera zawiera wielogłowicowy mechanizm uwagi z 4 głowicami uwagi, po których następuje sieć neuronowa sprzężenia zwrotnego. Każda głowica uwagi wykorzystuje skalowaną uwagę iloczynu skalarnego, aby skupić się na odpowiednich punktach danych historycznych. Model składa się z czterech warstw kodera, z których każda ma rozmiar warstwy wewnętrznej sprzężenia zwrotnego 512 i wymiarowość (d_model) 128. Po każdej podwarstwie następuje regularyzacja dropoutu z szybkością 0,1, aby uniknąć nadmiernego dopasowania. Ciągłe stosowanie połączeń resztkowych i normalizacja warstw stabilizuje trening i zwiększa konwergencję. Kluczowym elementem modelu jest mechanizm uwagi, który identyfikuje i nadaje priorytety najistotniejszym punktom danych z przeszłości, zamiast traktować wszystkie wartości historyczne jednakowo. Dzięki temu model może uchwycić ważne wzorce i zależności w ruchach cen złota. Przetworzone informacje są następnie przekazywane przez warstwę sieci neuronowej, która dodatkowo udoskonala wzorce i relacje w celu zwiększenia dokładności przewidywania. Ponadto model zawiera wiele warstw transformatorów ułożonych w stos, co zwiększa jego zdolność do uczenia się złożonych trendów i poprawy wydajności predykcyjnej. Na koniec dokładność modelu jest oceniana przy użyciu metryk wydajności, takich jak błąd średniokwadratowy (MSE), błąd średniokwadratowy (RMSE) i błąd R-kwadrat (R²). To podejście transformatorowe skutecznie wychwytuje zarówno krótko-, jak i długoterminowe zależności w finansowych danych szeregów czasowych, dzięki czemu jest bardzo skuteczne w precyzyjnym prognozowaniu cen złota.

Aby znormalizować funkcje wejściowe, zastosowano skalowanie Min-Max, jak pokazano w poniższym równaniu.

Niech x będzie wartością cechy, x_min i x_max będzie minimum i maksimum cechy⁴¹.

x: Pierwotna wartość (dzisiejsza cena złota).
x_min, x_min: minimalna i maksymalna wartość tej funkcji w okresie treningowym.
[a, b]; zakres docelowy (zwykle [0, 1]; czasami [-1, 1]).

Sercem enkodera transformatorowego jest skalowany mechanizm uwagi iloczynu skalarnego⁴⁰ zdefiniowany jako:

Błąd średniokwadratowy (MSE)
Model został przeszkolony w celu zminimalizowania błędu średniokwadratowego (MSE) między wartościami przewidywanymi a rzeczywistymi⁴².

MSE =

Błąd średniokwadratowy (RMSE)
Wydajność oceniono przy użyciu błędu średniokwadratowego (RMSE)⁴³, obliczonego jako

RMSE =

Szkolenia i walidacja
Zestaw danych jest podzielony na trzy podzbiory, z których 80% jest przydzielone do trenowania, 10% do testowania i 10% do walidacji. Model jest optymalizowany przy użyciu optymalizatora Adam⁴⁴ o wielkości partii 64 i współczynniku uczenia się 0,001. Aby zapobiec nadmiernemu dopasowaniu, szkolenie jest przeprowadzane przez ponad 50 epok z wczesnym zatrzymaniem w oparciu o utratę walidacji. Błąd średniokwadratowy (MSE) służy jako funkcja straty. Docelowe dane wyjściowe to wartość w t+30, a dane wejściowe sekwencji są generowane w 30-dniowym oknie ważności (L = 30). W razie potrzeby stosowane jest dopełnienie i maskowanie, aby zachować stałe długości sekwencji. Do wdrożenia modelu wykorzystano TenSorFlow⁴⁵ gwarantujący jego skalowalność i odtwarzalność. Powtarzalność jest wspierana przez te kompleksowe specyfikacje, które również poprawiają zrozumienie adaptacji architektury transformatora do prognozowania finansowego.

Testowanie
Ostateczna ocena modelu transformatora jest przeprowadzana przy użyciu testowego zestawu danych obejmującego pozostałe 10% wszystkich danych. Przewidywane ceny złota są porównywane z rzeczywistymi wartościami, a wskaźniki wydajności są obliczane w celu zmierzenia dokładności przewidywania.

Ewaluacja modelu
Wydajność predykcyjna modelu została oceniona przy użyciu kluczowych wskaźników statystycznych, takich jak błąd średniokwadratowy (MSE), błąd średniokwadratowy (RMSE) i błąd R-kwadrat (R²). Wyniki przedstawiono w następnej sekcji.

Wyniki

W analizie badania wskaźniki wydajności zostały ocenione na podstawie danych historycznych, wskaźniki te zostały wykorzystane do uzyskania kompleksowego obrazu tego, jak dobrze model transformatora przewidywał przyszłe ceny złota.

Na rysunku 3 wykres świecowy cen złota przedstawia dokładną wizualną reprezentację wahań cen, podkreślając znaczące wzorce, korekty rynkowe i stabilne interwały w czasie. Aby ułatwić śledzenie ruchów rynkowych, każda świeca reprezentuje ...

Dyskusja

W niniejszym badaniu zaproponowano model głębokiego uczenia transformatora, który wykorzystuje dane zeskrobane przez UiPath, zautomatyzowaną platformę zapewniającą terminowe i zorganizowane pozyskiwanie danych finansowych w celu przewidywania cen kontraktów terminowych na złoto z większą dokładnością i niezawodnością. Model zawiera dane o cenie złota z ważnymi wskaźnikami technicznymi, takimi jak wskaźniki wolumenu, 30-dniowe i 100-dniowe średnie kroczące, trendy, przewidywanie cen złota i formacje świecowe. Przewyższają...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Źródło danych	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com to platforma rynku finansowego, która zapewnia notowania rynkowe, informacje o akcjach, kontraktach terminowych itp.
Model transformatora (Python zaimplementowany w Google Colab)	Wyszukiwarka Google	https://colab.research.google.com/	Opracowaliśmy kod źródłowy Pythona do analizy danych w celu wyodrębnienia spostrzeżeń z danych, a kod ten został wykonany w tym wirtualnym środowisku Google Colab
UiPath Robotic Process Automation	UiPath, Inc.	https://www.uipath.com	Aby wyodrębnić dane ze źródła, a kod został wykonany na tej platformie UiPath Studio.