Previsão de preço de futuros de ouro usando modelos de aprendizado profundo do transformador com dados extraídos via UiPath

Resumo

O estudo desenvolve um modelo de aprendizado profundo do transformador para prever com precisão os preços do ouro usando dados históricos de 2014 a 2024. Alcançando 93% de precisão, o modelo supera os métodos tradicionais capturando tendências e dependências complexas. Ele auxilia investidores e formuladores de políticas na tomada de decisões e sugere melhorias futuras usando análise de sentimento e fatores globais.

Resumo

O ouro é uma das commodities mais valiosas e amplamente negociadas em todo o mundo, principalmente na Índia, e desempenha um papel significativo nos mercados econômicos e financeiros. Historicamente, o ouro tem sido a pedra angular do comércio internacional e da estabilidade econômica, com os bancos centrais mantendo reservas para administrar a inflação e a dívida externa. O preço do ouro serve como um indicador econômico chave que influencia as tendências do mercado e as estratégias de investimento. No entanto, prever com precisão os preços do ouro é um desafio devido à natureza complexa e não linear dos mercados financeiros, que são influenciados por vários fatores, incluindo taxas de juros, recessões econômicas, flutuações do preço do petróleo e eventos geopolíticos. O modelo de transformador de estudo foi usado para prever os preços diários do ouro que foram coletados de investing.com por meio de web scraping usando UiPath. É uma plataforma de Automação Robótica de Processos (RPA) para preservar a integridade dos dados e melhorar o desempenho do modelo, foram realizadas operações de pré-processamento, como tratamento de dados ausentes e dimensionamento MinMax. O modelo foi testado e treinado nas principais métricas de desempenho e alcançou um erro quadrático médio (MSE) de 0,0224, erro quadrático médio raiz (RMSE) de 0,1496 e R-quadrado de 0,93, com uma alta precisão de previsão. Os resultados do estudo confirmam que o modelo do transformador detecta com eficiência os movimentos de preços de curto prazo e as tendências de mercado de longo prazo, oferecendo um método mais preciso e confiável do que os métodos tradicionais de previsão. O estudo fornece orientações valiosas para investidores, analistas financeiros e formuladores de políticas na tomada de decisões informadas no mercado de barras de ouro. Pesquisas futuras podem ser aprimoradas com a inclusão de fontes de dados alternativas, como o sentimento das manchetes de notícias e das mídias sociais, que podem oferecer uma visão mais rica dos movimentos do mercado.

Introdução

O ouro é uma das commodities mais importantes nos mercados financeiros, um recurso econômico crítico e uma ferramenta de controle de preços. O ouro constitui uma parcela substancial das reservas do banco central em muitos países¹. Recentemente, o ouro tornou-se mais conhecido como hedge de inflação². É um ativo de hedge chave e sua previsão de volatilidade melhora usando modelos de Heterocedasticidade Condicional Autorregressiva Generalizada - Amostragem de Dados Mistos (GARCH-MIDAS) que levam em conta assimetrias, extremos e saltos³. A Índia e a China são os maiores importadores e consumidores de ouro, respondendo por aproximadamente 60% da demanda global. O aumento contínuo dos preços do ouro impulsionado pela dinâmica do mercado e pelas relações com as commodities posicionou o ouro como um investimento preferencial para retornos futuros⁴. Na Índia, a magnitude das reservas físicas de ouro é substancial, com as famílias muitas vezes tratando o ouro como um bem cultural e uma salvaguarda financeira. Sua demanda por ouro físico impacta diretamente as tendências do mercado, enfatizando a necessidade de considerar sua relevância na previsão do preço do ouro ^5,6. Os investidores estão constantemente buscando oportunidades de investimento que ofereçam os maiores retornos com o menor risco. Nesse sentido, o ouro serve como um ativo de refúgio, proporcionando segurança financeira durante as incertezas econômicas. Entre as principais alternativas de investimento na Índia estão ações, bancos, depósitos, seguros, poupança postal de ouro, outras opções de poupança e investimento⁷. Dada a sua estabilidade, o ouro é amplamente considerado como a melhor opção de investimento alternativo entre várias opções de investimento e um ativo valioso que protege contra a inflação e os riscos financeiros ^1,8. A determinação do preço do ouro é influenciada por fatores como demanda de ouro, oferta, inflação e taxas de câmbio. Uma descoberta surpreendente indica que a valorização do dólar se correlaciona com o aumento dos preços do ouro, potencialmente devido ao investimento especulativo⁹. É difícil prever o preço do ouro por causa de seu movimento de preço volátil, imprevisível, não linear e incontrolável¹⁰. Portanto, a previsão precisa do preço do ouro é crucial para investidores, gerentes de portfólio e formuladores de políticas, pois a previsão aprimorada pode levar a oportunidades de lucro significativas¹¹. A tendência atual do preço do ouro, que é quatro vezes maior do que há duas décadas, e o desejo de manter o ouro atraem investidores para investir em ativos relacionados¹². Portanto, antes de investir em ouro, todo investidor deve entender os principais fatores que influenciam seu preço¹³. No setor financeiro, a capacidade de prever a direção dos preços do ouro é essencial, mesmo pequenos avanços na previsão de desempenho podem resultar em lucros, dinheiro é essencial para levar uma vida e previsões financeiras sólidas apoiarão a expansão econômica¹⁴.

A Figura 1 explora as tendências do preço do ouro na Índia durante um período de tempo que vai de 2014 a 2024 e como os preços do ouro são cada vez mais baseados em fatores globais como o índice do dólar, a taxa de fundos federais, o índice de preços ao consumidor (IPC), a taxa de câmbio, os preços do petróleo e o S&P500¹⁵. Outros fatores incluem ciclos econômicos, taxas de juros nominais, preços de commodities, taxas de câmbio e preços de ações¹⁶. Ele destaca as mudanças significativas de preços, a volatilidade do mercado e um período de expansão sustentada nos preços do ouro, principalmente nos últimos anos. Os preços mostraram pouca volatilidade entre 2014 e 2018, no entanto, em 2019, foi observada uma tendência robusta de aumento com mais oscilações de preços. A posição do ouro como um ativo de refúgio foi fortalecida por um aumento substancial em 2020, provavelmente causado por preocupações com a inflação e a turbulência econômica. O preço de fechamento acompanha de perto o preço de abertura, mas a maior volatilidade, principalmente após 2020, é mostrada por diferenças mais amplas entre os preços altos e baixos. Os preços têm subido constantemente durante o período de 2023-2024, atingindo máximos históricos. O gráfico mostra como o ouro se valorizou ao longo do tempo, tornando-o um ativo útil para analistas e investidores.

A previsão precisa do preço do ouro é vital para a tomada de decisões informadas, mas é desafiadora devido a fatores complexos, como condições econômicas e geopolíticas¹⁷. Modelos tradicionais como a Média Móvel Integrada Autorregressiva (ARIMA) muitas vezes lutam para capturar essas complexidades, limitando sua precisão preditiva^18,19. Em uma busca para superar essas limitações, os recentes avanços em aprendizado de máquina e aprendizado profundo melhoraram significativamente a precisão das previsões financeiras. Experimentos demonstraram que modelos de aprendizado profundo, como redes de memória longa de curto prazo (LSTM), têm um desempenho significativamente melhor do que os modelos estatísticos tradicionais, capturando relações sequenciais e tendências nos preços do ouro²⁰. Os modelos de previsão híbridos são uma consideração importante na previsão dos preços do ouro na computação e economia de big data²¹. No entanto, independentemente de seu desempenho, modelos recorrentes como Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) têm limitações naturais, como problemas de gradiente de desaparecimento, alta complexidade computacional e incapacidade de capturar relacionamentos de longo alcance que podem afetar sua eficiência no manuseio de dados de séries temporais financeiras em larga escala.

A fim de preencher esses déficits e aumentar ainda mais a precisão dos modelos de transformadores de previsão são agora uma escolha atraente na previsão de séries temporais, em comparação com as redes LSTM, os transformadores aproveitam os mecanismos de autoatenção, tornando-os efetivamente detectadores de padrões de longo prazo e oscilações de curto prazo em dados financeiros e processamento paralelo para melhorar a escalabilidade. Os transformadores têm um potencial considerável para melhorar a precisão da previsão do preço do ouro, dada a sua eficácia na previsão do mercado financeiro. O presente estudo tem como objetivo desenvolver um modelo transformador para previsão de preços do ouro usando preços passados do ouro e principais dados econômicos, fornecendo uma abordagem mais robusta para a previsão do ouro.

Estudos anteriores previram o preço do ouro usando várias técnicas, como redes neurais, algoritmos, aprendizado de máquina, aprendizado profundo e inteligência artificial. Alguns dos estudos relacionados à previsão do preço do ouro são os seguintes:

A regressão do processo gaussiano (GPR) emergiu como uma ferramenta robusta para a previsão de preços de metais com aplicações em aço, cobre e metais preciosos, destacando sua eficácia no tratamento de dados financeiros de alta dimensão e otimizando modelos por meio de métodos bayesianos para prever o preço do ouro com mais precisão RMSE de 0,87²². O estudo apresenta um novo modelo híbrido que combina uma Rede Neural Baseada em Kernels Convolucionais Aleatórios (RCK) com Heterocedasticidade Condicional Autorregressiva Generalizada (GARCH) para prever a volatilidade do ouro, prata e platina. A acurácia do método sugerido é 53% maior do que a do modelo GARCH-LSTM²³. O estudo usou os modelos ARIMA e Holt-Winters para prever os futuros preços do ouro e as taxas de inflação na Índia e nos Estados Unidos, considerando o Índice de Preços ao Consumidor (IPC). O ouro é uma boa proteção contra a inflação para investidores indianos e americanos²⁴. O estudo compara modelos de aprendizado profundo e aprendizado de máquina para analisar a relação do Bitcoin com fatores globais, como ouro, petróleo, índice do dólar americano (DXY) e taxas de juros. O Temporal Fusion Transformer (TFT) supera outros, destacando o ouro e o DXY como principais influenciadores em meio a eventos e regulamentações globais²⁵. Além disso, o estudo analisa sistematicamente os fatores que afetam os preços futuros do ouro, como taxa de inflação, taxa de juros, preço do petróleo bruto e índice do dólar americano, com três métodos principais de previsão: modelos tradicionais de séries temporais (ARIMA GARCH, ARDL), modelos híbridos (MS-MIDAS-CJ, VMD-ICSS-BiGRU) e métodos de aprendizado profundo (SGRU-AM) DBN)²⁶. As arquiteturas de transformadores têm um forte potencial na previsão de séries temporais de longo prazo, capturando efetivamente dependências de longo alcance e superando os modelos tradicionais baseados em Redes Neurais Recorrentes (RNN)²⁷. O estudo explorou a relação entre os preços do ouro e os principais determinantes, como mercados de ações, petróleo bruto, taxas de câmbio, inflação e taxas de juros. Ele utiliza algoritmos de aprendizado de máquina, descobrindo que a regressão de aumento de gradiente é mais precisa do que a regressão de floresta aleatória na previsão dos preços do ouro¹⁴. O estudo usou o modelo Autoregressive Distribution Lag (ARDL) para prever os preços anuais do ouro usando taxas de títulos do tesouro, demanda de ouro e preços defasados do ouro como covariáveis²⁸. O modelo proposto de Memória de Curto Prazo de Rede Neural Convolucional (CNN-LSTM) para previsão de preços do ouro demonstra desempenho superior em comparação com métodos tradicionais com valores mais baixos de MAE e RMSE. A incorporação de camadas convolucionais na arquitetura LSTM aumenta ainda mais sua capacidade de capturar padrões de curto prazo e dependências de longo prazo nos dados²⁹.

Os preços futuros do ouro são previstos a partir de quatro commodities: dados históricos de preços do ouro, preços da prata, preços do petróleo bruto e o índice de ações Standard and Poor's 500 (S&P500) e taxa de câmbio usando o modelo Extreme Learning Machine (ELM) com uma precisão de 91,67%⁴. Um modelo de rede neural Multilayer Perceptron (MLP) foi empregado para prever as flutuações do preço das ações e os preços do ouro com base em dados da Bolsa de Valores de Teerã (TSE). O resultado indicou que a rede neural artificial superou os modelos tradicionais de previsão em termos de precisão de previsão³⁰. O estudo comparou o LSTM com os modelos de Regressão Linear e descobriu que a Regressão Linear alcançou uma taxa de precisão marginalmente maior de 53,02% na previsão das flutuações diárias dos preços do ouro. Isso sugere que modelos ainda mais simples podem ser eficazes na previsão dos movimentos do preço do ouro, destacando a importância de entender as relações entre os preços do ouro e fatores econômicos mais amplos³¹. Os resultados experimentais do estudo de modelagem de rede neural wavelet (WNN) para previsão de preço do ouro demonstraram que o algoritmo aprimorado de colônia de abelhas artificiais (ABC) supera a abordagem ABC tradicional na previsão do preço do ouro utilizando redes neurais wavelet³².

Vários modelos preditivos avançados foram propostos para a previsão do ouro e do mercado financeiro. Um dos estudos desenvolveu um modelo de previsão do preço do ouro usando um Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS) com preços anteriores do ouro como entradas. O modelo previu com precisão os preços do ouro no dia seguinte, superando os modelos ARIMA e CNN em termos de RMSE. Também excedeu o desempenho das estratégias Buy e Hold, oferecendo retornos sobre o investimento significativamente mais altos, demonstrando forte potencial para a previsão do preço do ouro³³. Outro estudo integrou um ELM com um Sistema de Inferência Fuzzy (FIS) e usou a técnica de otimização do Algoritmo de Busca Cruzada Quântica Caótica (CQCSA). Esse modelo híbrido apresenta desempenho superior na previsão dos preços do ouro e do petróleo³⁴. Uma pesquisa empregou vários modelos de aprendizado de máquina na previsão do mercado financeiro durante o período do COVID-19, onde os LSTMs Vanilla Stacked superaram outras abordagens na previsão de séries temporais. Os resultados enfatizaram a importância de incorporar variáveis não econômicas ao lado de dados financeiros históricos para previsões de mercado de curto prazo³⁵. O estudo explorou modelos de conjunto para prever os movimentos dos preços das ações de ouro e prata. Essas abordagens alcançaram taxas de precisão notáveis de 85% para ouro e 79% para prata, indicando sua capacidade de capturar dinâmicas de mercado complexas³⁶. Em outro estudo com foco em arquiteturas de aprendizado profundo para previsão de preço do ouro, o modelo Bidirectional Long Short-Term Memory (BiLSTM) superou os LSTMs padrão, alcançando valores mais altos de R², MAE e RMSE mais baixos. Ao capturar efetivamente padrões temporais de dados históricos normalizados, o BiLSTM demonstrou seu potencial para aumentar a precisão das previsões financeiras³⁷.

A previsão precisa dos preços do ouro há muito representa um desafio significativo para investidores, analistas e formuladores de políticas devido à natureza volátil, não linear e multifatorial dos mercados financeiros¹⁰. Modelos estatísticos tradicionais, como ARIMA e abordagens baseadas em regressão, mostraram limitações na captura das relações complexas e dinâmicas inerentes aos movimentos do preço do ouro, particularmente sob a influência de indicadores macroeconômicos, tensões geopolíticas e mudanças financeiras globais¹⁹. Embora o ARIMA e modelos semelhantes sejam úteis para previsão linear de curto prazo, eles não têm a capacidade de capturar não linearidade, quebras estruturais e dependências de longo prazo^18,38. Embora modelos de aprendizado profundo como LSTM e GRU tenham melhorado o desempenho da previsão aprendendo padrões sequenciais²⁰. Esses modelos ainda sofrem de limitações intrínsecas, como gradientes de desaparecimento e dificuldades em modelar dependências de longo prazo em dados de séries temporais²⁹. Além disso, embora os modelos híbridos e ensemble tenham sido explorados, eles geralmente lutam com escalabilidade e eficiência computacional em conjuntos de dados financeiros de grande escala²³. O ouro, cada vez mais usado como proteção contra a inflação e a incerteza econômica, especialmente em países como a Índia, onde possui um significado cultural e financeiro substancial, a demanda por modelos preditivos robustos e de alta precisão tornou-se primordial². Inovações recentes em aprendizado profundo, particularmente a arquitetura de transformador conhecida por seu mecanismo de autoatenção, mostraram resultados promissores em tarefas de previsão de séries temporais em domínios financeiros¹⁷. No entanto, a literatura existente carece de uma investigação abrangente de modelos de transformadores especificamente para previsão de preços do ouro usando conjuntos de dados históricos de longo prazo enriquecidos com diversos indicadores econômicos. A maioria dos estudos anteriores se concentrou na previsão de curto prazo ou usou entradas de dados limitadas, negligenciando todo o potencial dos modelos de transformadores na captura de tendências de mercado de curto e longo prazo³¹.

Portanto, o presente estudo aborda a lacuna crítica de pesquisa, propondo e avaliando um modelo de aprendizado profundo de transformador treinado em uma década de dados históricos do preço do ouro (2014-2024) coletados por meio de um método de raspagem da web automatizado e reproduzível usando UiPath. O modelo visa melhorar a precisão da previsão superando os modelos existentes, como LSTM, CNN-LSTM e regressão. Constitui um instrumento fiável para os investidores e os decisores políticos tomarem decisões informadas em condições de incerteza do mercado²².

O aumento imparável dos preços do ouro aumentou a necessidade de previsões, que é mais importante do que nunca para investidores, analistas financeiros e formuladores de políticas. O ouro é amplamente valorizado como um ativo de refúgio e desempenha um papel fundamental nas estratégias de investimento, particularmente em países como a Índia, onde tem importância econômica e cultural. Em um mercado cada vez mais volátil e um ambiente de incerteza global, previsões confiáveis são cruciais para maximizar retornos, gerenciar riscos e tomar decisões financeiras sólidas. O estudo foi projetado para desenvolver um modelo de previsão de preço do ouro preciso e eficaz que se alinhe com as complexidades dos mercados financeiros atuais.

Protocolo

A metodologia para esta pesquisa é um processo sistemático projetado para desenvolver um modelo de transformador para previsão do preço do ouro. A coleta de dados é a etapa inicial em que os dados históricos do preço do ouro e os indicadores financeiros relevantes são reunidos para formar um conjunto de dados abrangente. O conjunto de dados passa por pré-processamento de dados, desenvolvimento de modelos, avaliação, métricas de desempenho e, finalmente, previsão do preço do ouro com uma explicação detalhada nas seções subsequentes.

Coleta de dados e confiabilidade:
Os dados históricos do preço do ouro para este estudo foram coletados usando um processo automatizado desenvolvido na plataforma UiPath Robotic Process Automation (RPA). O conjunto de dados foi obtido de Investing.com uma plataforma financeira amplamente utilizada e respeitável, conhecida por seus dados estruturados e precisos de commodities e mercado³⁹. Incluiu valores diários de Data, Abertura, Alta, Baixa, Fechamento, Volume e Variação Percentual cobrindo o período de 1º de janeiro de 2014 a 31 de dezembro de 2024 (Tabela Suplementar 1). A automação foi programada para navegar até a página de dados históricos relevante, especificar o intervalo de datas definido e exportar o conjunto de dados para o Excel. Para melhorar a estabilidade e a velocidade de execução, o processo evitou a interface do seletor de calendário e incorporou rotinas de validação, atrasos de tempo e verificações condicionais para acomodar variações da página da web. Essa abordagem permitiu uma extração de dados eficiente, repetível e precisa sem a necessidade de intervenção manual.

Para garantir a integridade e a confiabilidade dos dados, várias etapas de validação, como o Element Exists da UiPath, verificações condicionais e atrasos para controlar os carregamentos dinâmicos de páginas foram incluídas para garantir a integridade e a confiabilidade dos dados. A raspagem da Web de fontes externas pode ser um método valioso para adquirir grandes conjuntos de dados com eficiência. No entanto, também pode apresentar desafios como formatos de dados inconsistentes, alterações na estrutura da página da Web ou variações na disponibilidade de dados ao longo do tempo. A ferramenta de raspagem possui procedimentos de tratamento de erros e passou por testes periódicos de confiabilidade para reduzir esses riscos. Para confirmar a exatidão, os dados recuperados foram cruzados aleatoriamente com informações de outras fontes, como o Yahoo Finance. Durante o pré-processamento, o preenchimento direto e a interpolação foram usados para gerenciar dias sem negociação e registros ausentes. Esse método oferece uma maneira robusta, mas eficaz, de produzir um conjunto de dados confiável apropriado para modelos de aprendizado profundo.

Pré-processamento de dados:
No presente estudo, o conjunto de dados do preço do ouro foi carregado pela primeira vez em um DataFrame do pandas para criar um conjunto de dados tabular para análise e examinado usando métodos como info, describe e unique para avaliar tipos de dados, distribuições estatísticas e o número de valores exclusivos em cada coluna. O conjunto de dados foi então classificado em ordem crescente com base em seu índice, garantindo o arranjo cronológico para a análise de séries temporais. Os valores ausentes foram identificados e eliminados usando dropna e entradas duplicadas foram detectadas usando o método duplicado e posteriormente removidas com drop_duplicates para manter a integridade dos dados. Os nomes das colunas foram padronizados para consistência, renomeando variáveis como Preço para Fechamento, Volume para Volume e % de Alteração para Mudança, facilitando assim a clareza em análises posteriores. Por meio dessas etapas, o conjunto de dados foi limpo, estruturado e preparado para suportar modelagem e interpretação subsequentes precisas e confiáveis.

Desenvolvimento do modelo:
O modelo do transformador depende de mecanismos de autoatenção em vez de recorrência ou convolução, permitindo uma modelagem de sequência eficiente. No contexto da previsão de séries temporais, como a previsão do preço do ouro, essa arquitetura pode efetivamente capturar dependências de longo alcance⁴⁰. Portanto, o modelo do transformador na Figura 2 é usado para a previsão do preço do ouro, aproveitando técnicas avançadas de aprendizado profundo para analisar as tendências históricas de preços. Após o pré-processamento dos dados, os dados de entrada passam primeiro por uma camada de incorporação, convertendo recursos numéricos em representações vetoriais densas, tornando os dados mais significativos para análise. A codificação posicional é aplicada para reter informações temporais. Cada bloco codificador contém um mecanismo de atenção de várias cabeças com 4 cabeças de atenção seguidas por uma rede neural feed-forward. Cada cabeça de atenção usa a atenção do produto escalar em escala para se concentrar em pontos de dados históricos relevantes. O modelo tem quatro camadas de codificador, cada uma com um tamanho de camada interna de avanço de 512 e uma dimensionalidade (d_model) de 128. Cada subcamada é seguida pela regularização de dropout a uma taxa de 0,1 para evitar sobreajuste. O uso constante de conexões residuais e a normalização da camada estabilizam o treinamento e aumentam a convergência. Um componente-chave do modelo é o mecanismo de atenção que identifica e prioriza os pontos de dados passados mais relevantes, em vez de tratar todos os valores históricos igualmente. Isso permite que o modelo capture padrões e dependências importantes nos movimentos do preço do ouro. As informações processadas são então passadas por uma camada de rede neural que refina ainda mais os padrões e relacionamentos para aumentar a precisão da previsão. Além disso, o modelo incorpora várias camadas de transformador empilhadas, fortalecendo sua capacidade de aprender tendências complexas e melhorar o desempenho preditivo. Por fim, a precisão do modelo é avaliada usando métricas de desempenho como Erro Quadrático Médio (MSE), Erro Quadrático Médio Raiz (RMSE) e R-quadrado (R²). Essa abordagem de transformador captura com eficiência as dependências de curto e longo prazo em dados de séries temporais financeiras, tornando-a altamente eficaz para previsões precisas do preço do ouro.

Para normalizar os recursos de entrada, a escala Min-Max foi aplicada conforme mostrado na equação a seguir.

Seja x um valor de característica, x_min e x_max sejam o mínimo e o máximo da característica⁴¹.

x: o valor original (preço do ouro de hoje).
x_min, x_min: o min e max do período de treinamento desse recurso.
[a, b]; o intervalo de destino (geralmente [0, 1]; às vezes [-1, 1]).

O núcleo do codificador do transformador é o mecanismo de atenção do produto escalonado⁴⁰ definido como:

Erro quadrático médio (MSE)
O modelo foi treinado para minimizar o erro quadrático médio (MSE) entre os valores previstos e reais⁴².

MSE =

Raiz do erro quadrático médio (RMSE)
O desempenho foi avaliado por meio do Root Mean Square Error (RMSE)⁴³, calculado como

RMSE =

Treinamento e validação
O conjunto de dados é particionado em três subconjuntos com 80% alocados para treinamento, 10% para teste e 10% para validação. O modelo é otimizado usando o otimizador Adam⁴⁴ com um tamanho de lote de 64 e uma taxa de aprendizado de 0,001. Para evitar o sobreajuste, o treinamento é realizado em mais de 50 épocas com parada precoce com base na perda de validação. O erro quadrático médio (MSE) serve como função de perda. As saídas de destino são o valor em t+30 e as entradas de sequência são geradas com uma janela de lookback de 30 dias (L = 30). Quando necessário, o preenchimento e o mascaramento são aplicados para preservar comprimentos de sequência constantes. O TenSorFlow⁴⁵ foi utilizado para implementar o modelo garantindo sua escalabilidade e reprodutibilidade. A reprodutibilidade é suportada por essas especificações abrangentes que também melhoram a compreensão da adaptação da arquitetura do transformador para previsão financeira.

Teste
A avaliação final do modelo do transformador é realizada usando o conjunto de dados de teste que compreende os 10% restantes do total de dados. Os preços previstos do ouro são comparados com os valores reais e as métricas de desempenho são calculadas para medir a precisão da previsão.

Avaliação do modelo
O desempenho preditivo do modelo foi avaliado usando as principais métricas estatísticas, como o Erro Quadrático Médio (MSE), o Erro Quadrático Médio (RMSE) e o R-quadrado (R²). Os resultados são apresentados na seção subsequente.

Resultados

Na análise do estudo, as métricas de desempenho foram avaliadas por meio de dados históricos, essas métricas foram usadas para fornecer uma imagem abrangente de quão bem o modelo do transformador previu os preços futuros do ouro.

Na Figura 3, o gráfico de velas do preço do ouro apresenta uma representação visual completa das oscilações de preços, enfatizando padrões significativos, correções de mercado e intervalos estáveis ao longo do tempo. Para simplificar o ac...

Discussão

O presente estudo propôs um modelo de aprendizado profundo do transformador que usa dados extraídos pelo UiPath, uma plataforma automatizada que garante a aquisição oportuna e organizada de dados financeiros para prever os preços futuros do ouro com maior precisão e confiabilidade. O modelo incorpora dados sobre o preço do ouro com indicadores técnicos importantes, como métricas de volume, médias móveis de 30 e 100 dias, tendências, previsão do preço do ouro e padrões de velas. Superando...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Fonte de dados	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com é uma plataforma de mercado financeiro que fornece cotações de mercado, informações sobre ações, futuros, etc.
Modelo Transformer (Python implementado no Google Colab)	Pesquise no Google	https://colab.research.google.com/	Desenvolvi um código-fonte python para análise de dados para extrair insights dos dados, e esse código foi executado neste ambiente virtual do Google Colab
Automação de processos robóticos UiPath	UiPath, Inc.	https://www.uipath.com	Para extrair os dados da fonte, e o código foi executado nesta plataforma UiPath Studio.