Прогнозирование цен на фьючерсы на золото с помощью моделей глубокого обучения Transformer с данными, собранными через UiPath

Краткое содержание

В рамках исследования разрабатывается трансформерная модель глубокого обучения для точного прогнозирования цен на золото с использованием исторических данных с 2014 по 2024 год. Достигая точности 93%, модель превосходит традиционные методы, фиксируя сложные тренды и зависимости. Он помогает инвесторам и политикам в принятии решений и предлагает будущие улучшения с использованием анализа настроений и глобальных факторов.

Аннотация

Золото является одним из самых ценных и широко торгуемых товаров во всем мире, особенно в Индии, и играет значительную роль на экономических и финансовых рынках. Исторически сложилось так, что золото было краеугольным камнем международной торговли и экономической стабильности, а центральные банки поддерживали резервы для управления инфляцией и внешним долгом. Цена на золото служит ключевым экономическим индикатором, влияющим на рыночные тенденции и инвестиционные стратегии. Тем не менее, точное прогнозирование цен на золото является сложной задачей из-за сложного и нелинейного характера финансовых рынков, на которые влияют различные факторы, включая процентные ставки, экономические рецессии, колебания цен на нефть и геополитические события. Модель трансформера исследования была использована для прогнозирования ежедневных цен на золото, которые были собраны из investing.com с помощью веб-скрейпинга с помощью UiPath. Это платформа роботизированной автоматизации процессов (RPA) для сохранения целостности данных и повышения производительности модели, выполнения операций предварительной обработки, таких как обработка недостающих данных и масштабирование MinMax. Модель была протестирована и обучена по ключевым показателям производительности и достигла среднеквадратичной ошибки (MSE) 0,0224, среднеквадратичной ошибки (RMSE) 0,1496 и R-квадрата 0,93 с высокой точностью прогнозирования. Результаты исследования подтверждают, что модель трансформатора эффективно обнаруживает краткосрочные движения цен и долгосрочные рыночные тенденции, предлагая более точный и надежный метод, чем традиционные методы прогнозирования. Исследование содержит ценные рекомендации для инвесторов, финансовых аналитиков и политиков при принятии обоснованных решений на рынке золотых слитков. Будущие исследования могут быть улучшены за счет включения альтернативных источников данных, таких как настроения из заголовков новостей и социальных сетей, которые потенциально могут дать более полное представление о движениях рынка.

Введение

Золото является одним из наиболее значимых сырьевых товаров на финансовых рынках, важнейшим экономическим ресурсом и инструментом контроля цен. Золото составляет значительную часть резервов центральных банков во многих странах¹. В последнее время золото стало более известным в качестве инструмента хеджирования инфляции². Это ключевой актив хеджирования, и прогнозирование его волатильности улучшается с помощью моделей обобщенной авторегрессионной условной гетероскедастичности - смешанной выборки данных (GARCH-MIDAS), которые учитывают асимметрию, экстремумы и^{скачки.} Индия и Китай являются крупнейшими импортерами и потребителями золота, на долю которых приходится около 60% мирового спроса. Непрерывный рост цен на золото, вызванный динамикой рынка и товарными отношениями, позиционирует золото как предпочтительную инвестицию для получения будущей прибыли^. В Индии объем запасов физического золота значителен, и домохозяйства часто относятся к золоту как к культурному активу и финансовой защите. Его спрос на физическое золото напрямую влияет на рыночные тенденции, подчеркивая необходимость учитывать его актуальность при прогнозировании цен на золото ^5,6. Инвесторы постоянно ищут инвестиционные возможности, которые предлагают самую высокую доходность при наименьшем риске. В этом отношении золото служит активом-убежищем, обеспечивающим финансовую безопасность во время экономической неопределенности. Среди лучших инвестиционных альтернатив в Индии - акции, банки, депозиты, страхование, золотые почтовые сбережения, другие сбережения и варианты инвестиций⁷. Учитывая его стабильность, золото широко рассматривается как лучший альтернативный вариант инвестирования среди различных вариантов инвестирования и ценный актив, защищающий от инфляции и^{финансовых рисков.} На определение цены золота влияют такие факторы, как спрос на золото, предложение, инфляция и обменные курсы. Неожиданный вывод указывает на то, что повышение курса доллара коррелирует с повышением цен на золото, что может быть связано со спекулятивными^{инвестициями}. Предсказать цену золота сложно из-за его изменчивого, непредсказуемого, нелинейного и неконтролируемого движения цены¹⁰. Таким образом, точное прогнозирование цен на золото имеет решающее значение для инвесторов, портфельных менеджеров и политиков, поскольку улучшенное прогнозирование может привести к^{значительным возможностям получения} прибыли. Текущий ценовой тренд на золото, который в четыре раза выше, чем два десятилетия^{назад, и} желание сохранить золото привлекают инвесторов вкладывать средства в сопутствующие активы. Поэтому, прежде чем вкладывать деньги в золото, каждый инвестор должен понимать ключевые факторы, влияющие на^{его цену}. В финансовой индустрии способность прогнозировать направление цен на золото имеет важное значение; даже незначительные достижения в прогнозировании производительности могут привести к прибыли; деньги необходимы для жизни, а надежное финансовое прогнозирование будет поддерживать экономический рост^.

На рисунке 1 показаны тенденции цен на золото в Индии за период с 2014 по 2024 год и то, как цены на золото все больше зависят от глобальных факторов, таких как индекс доллара, ставка по федеральным фондам, индекс потребительских цен (ИПЦ), обменный курс, цены на нефть и индекс S&P500¹⁵. К другим факторам относятся бизнес-циклы, номинальные процентные ставки, цены на сырьевые товары, обменные курсы и цены на акции¹⁶. В нем отмечаются значительные изменения цен, волатильность на рынке и период устойчивого роста цен на золото, особенно в последние годы. В период с 2014 по 2018 год цены демонстрировали небольшую волатильность, однако в 2019 году наблюдалась устойчивая тенденция к росту с большим количеством колебаний цен. Позиции золота в качестве актива-убежища укрепились благодаря существенному росту в 2020 году, скорее всего, вызванному опасениями по поводу инфляции и экономических потрясений. Цена закрытия тесно связана с ценой открытия, но большая волатильность, особенно после 2020 года, проявляется в более широких разрывах между высокими и низкими ценами. В период с 2023 по 2024 год цены неуклонно росли, достигнув исторических максимумов. График показывает, как золото дорожало с течением времени, что делает его полезным активом для аналитиков и инвесторов.

Точный прогноз цен на золото жизненно важен для принятия обоснованных решений, но он сложен из-за сложных факторов, таких как экономические и геополитические условия^. Традиционные модели, такие как авторегрессионное интегрированное скользящее среднее (ARIMA), часто не могут охватить эти сложности, ограничивая ^{их точность} прогнозирования^. Стремясь преодолеть эти ограничения, последние достижения в области машинного и глубокого обучения значительно повысили точность финансового прогнозирования. Эксперименты показали, что модели глубокого обучения, такие как сети долгосрочной краткосрочной памяти (LSTM), работают значительно лучше, чем традиционные статистические модели, фиксируя последовательные связи и тренды^{цен на} золото. Гибридные модели прогнозирования являются ключевым фактором при прогнозировании цен на золото в больших данных, вычислениях и экономике²¹. Тем не менее, независимо от их производительности, рекуррентные модели, такие как Long Short-Term Memory (LSTM) и Gated Recurrent Unit (GRU), имеют естественные ограничения, такие как исчезающие проблемы градиента, высокая вычислительная сложность и неспособность фиксировать долгосрочные отношения, что может повлиять на их эффективность при обработке крупномасштабных данных временных рядов финансов.

Для преодоления этих недостатков и дальнейшего повышения точности прогнозирования модели трансформаторов в настоящее время являются привлекательным выбором для прогнозирования временных рядов, по сравнению с сетями LSTM, трансформаторы используют механизмы самовнимания, что позволяет им эффективно обнаруживать долгосрочные закономерности и краткосрочные колебания в финансовых данных и параллельную обработку для улучшения масштабируемости. Трансформаторы обладают значительным потенциалом для повышения точности прогнозирования цен на золото, учитывая их эффективность в прогнозировании финансовых рынков. Настоящее исследование направлено на разработку трансформерной модели для прогнозирования цен на золото с использованием прошлых цен на золото и основных экономических данных, обеспечивающей более надежный подход к прогнозированию золота.

Более ранние исследования предсказывали цену золота с помощью нескольких методов, таких как нейронные сети, алгоритмы, машинное обучение, глубокое обучение и искусственный интеллект. Некоторые из исследований, связанных с прогнозированием цен на золото, следующие:

Регрессия гауссовских процессов (георадар) стала надежным инструментом для прогнозирования цен на металлы с применением в стали, меди и драгоценных металлах, подчеркивая ее эффективность в обработке многомерных финансовых данных и оптимизации моделей с помощью байесовских методов для более точного прогнозирования цены золота RMSE 0,87²². В исследовании представлена новая гибридная модель, которая сочетает в себе нейронную сеть на основе случайных сверточных ядер (RCK) с обобщенной авторегрессионной условной гетероскедастичностью (GARCH) для прогнозирования волатильности золота, серебра и платины. Точность предложенного метода на 53% выше, чем у модели GARCH-LSTM²³. В исследовании использовались модели ARIMA и Холта-Уинтерса для прогнозирования будущих цен на золото и темпов инфляции в Индии и США с учетом индекса потребительских цен (ИПЦ). Золото является хорошей защитой от инфляции как для индийских, так и для американских инвесторов²⁴. В исследовании сравниваются модели глубокого и машинного обучения для анализа взаимосвязи биткоина с глобальными факторами, такими как золото, нефть, индекс доллара США (DXY) и процентные ставки. Temporal Fusion Transformer (TFT) превосходит другие, выделяя золото и DXY в качестве ключевых факторов влияния на фоне глобальных событий и нормативных актов²⁵. Кроме того, в исследовании систематически рассматриваются факторы, влияющие на цены фьючерсов на золото, такие как уровень инфляции, процентная ставка, цена на сырую нефть и индекс доллара США, с помощью трех основных методов прогнозирования: традиционных моделей временных рядов (ARIMA GARCH, ARDL), гибридных моделей (MS-MIDAS-CJ, VMD-ICSS-BiGRU) и методов глубокого обучения (SGRU-AM) DBN⁾²⁶. Архитектуры трансформаторов обладают большим потенциалом в долгосрочном прогнозировании временных рядов, эффективно улавливая долгосрочные зависимости и превосходя традиционные модели, основанные на рекуррентных нейронных сетях (RNN)²⁷. В исследовании изучалась взаимосвязь между ценами на золото и ключевыми детерминантами, такими как фондовые рынки, сырая нефть, обменные курсы, инфляция и процентные ставки. Он использует алгоритмы машинного обучения, нахождение регрессии градиентного бустинга более точно, чем регрессия случайного леса, при прогнозировании цен на золото¹⁴. В исследовании использовалась модель авторегрессионного запаздывания распределения (ARDL) для прогнозирования годовых цен на золото с использованием ставок казначейских векселей, спроса на золото и запаздывающих цен на золото в качестве ковариат²⁸. Предложенная модель сверточной нейронной сети и длинной кратковременной памяти (CNN-LSTM) для прогнозирования цен на золото демонстрирует превосходную производительность по сравнению с традиционными методами с более низкими значениями MAE и RMSE. Включение сверточных слоев в архитектуру LSTM еще больше расширяет ее способность улавливать как краткосрочные закономерности, так и долгосрочные зависимости в данных²⁹.

Будущие цены на золото прогнозируются на основе четырех сырьевых товаров: исторических данных о ценах на золото, цены на серебро, цены на сырую нефть, а также индекс фондового индекса Standard and Poor's 500 (S&P500) и обменный курс иностранной валюты с использованием модели Extreme Learning Machine (ELM) с точностью до 91,67%⁴. Модель многослойной персептронной нейронной сети (MLP) была использована для прогнозирования колебаний цен на акции и золота на основе данных Тегеранской фондовой биржи (TSE). Результат показал, что искусственная нейронная сеть превосходит традиционные модели прогнозирования с точки зрения точности^{прогнозирования30}. В исследовании сравнивались модели LSTM с моделями линейной регрессии и было обнаружено, что линейная регрессия достигла несколько более высокого уровня точности в 53,02% при прогнозировании ежедневных колебаний цен на золото. Это говорит о том, что даже более простые модели могут быть эффективными для прогнозирования движения цен на золото, подчеркивая важность понимания взаимосвязи между ценами на золото и более широкими экономическими^{факторами.} Экспериментальные результаты исследования с помощью вейвлет-нейронной сети (WNN) для прогнозирования цен на золото показали, что усовершенствованный алгоритм искусственной пчелиной колонии (ABC) превосходит традиционный подход ABC в прогнозировании цен на золото с использованием вейвлет-нейронных сетей³².

Для прогнозирования рынков золота и финансовых рынков было предложено несколько продвинутых прогностических моделей. В одном из исследований была разработана модель прогнозирования цен на золото с использованием адаптивной нейро-нечеткой системы вывода (ANFIS) с прошлыми ценами на золото в качестве входных данных. Модель точно предсказала цены на золото на следующий день, превзойдя модели ARIMA и CNN с точки зрения RMSE. Она также превзошла по эффективности стратегии «Купить» и «Держать», обеспечив значительно более высокую доходность инвестиций, продемонстрировав сильный потенциал для прогнозирования цен на^{золото.} В другом исследовании ELM был интегрирован с системой нечеткого вывода (FIS) и использовался метод оптимизации хаотического квантового алгоритма поиска крест-накрест (CQCSA). Эта гибридная модель демонстрирует превосходную производительность в прогнозировании цен на золото и нефть^. В исследовании использовались различные модели машинного обучения для прогнозирования финансовых рынков в период COVID-19, где ванильные многоуровневые LSTM превзошли другие подходы в прогнозировании временных рядов. Полученные результаты подчеркнули важность включения неэкономических переменных наряду с историческими финансовыми данными для краткосрочных рыночных^{прогнозов.} В исследовании изучались ансамблевые модели для прогнозирования движения цен на золото и серебро. Эти подходы достигли заметных показателей точности в 85% для золота и 79% для серебра, что указывает на их способность улавливать сложную^{динамику} рынка. В другом исследовании, посвященном архитектурам глубокого обучения для прогнозирования цен на золото, модель двунаправленной долгосрочной краткосрочной памяти (BiLSTM) превзошла стандартные LSTM, достигнув более высоких значений R², более низких MAE и RMSE. Эффективно фиксируя временные закономерности на основе нормализованных исторических данных, BiLSTM продемонстрировал свой потенциал для повышения точности финансовых^{прогнозов.}

Точное прогнозирование цен на золото уже давно представляет собой серьезную проблему для инвесторов, аналитиков и политиков из-за волатильного, нелинейного и многофакторного характера^{финансовых рынков.} Традиционные статистические модели, такие как ARIMA, и регрессионные подходы показали ограниченность в учете сложных и динамичных взаимосвязей, присущих колебаниям цен на золото, особенно под влиянием макроэкономических показателей, геополитической напряженности и глобальных финансовых^{сдвигов.} Несмотря на то, что ARIMA и подобные модели полезны для краткосрочного линейного прогнозирования, им не хватает возможности учитывать нелинейность, структурные разрывы и долгосрочные зависимости^18,38. Хотя модели глубокого обучения, такие как LSTM и GRU, улучшили производительность прогнозирования за счет изучения^{последовательных шаблонов}. Эти модели по-прежнему страдают от внутренних ограничений, таких как исчезающие градиенты и трудности в моделировании долгосрочных зависимостей в данных временных рядов²⁹. Кроме того, несмотря на то, что гибридные и ансамблевые модели были изучены, они часто испытывают трудности с масштабируемостью и вычислительной эффективностью в крупномасштабных финансовых наборах данных^. Золото, которое все чаще используется в качестве инструмента хеджирования против инфляции и экономической неопределенности, особенно в таких странах, как Индия, где оно имеет существенное культурное и финансовое значение, спрос на надежные, высокоточные прогностические модели^{стал первостепенным}. Последние инновации в глубоком обучении, в частности архитектура трансформера, известная своим механизмом самовнимания, показали многообещающие результаты в задачах прогнозирования временных рядов в финансовых^{областях.} Тем не менее, в существующей литературе отсутствует всестороннее исследование трансформеров, специально предназначенных для прогнозирования цен на золото с использованием долгосрочных исторических наборов данных, обогащенных различными экономическими показателями. Большинство предыдущих исследований были либо сосредоточены на краткосрочном прогнозировании, либо использовали ограниченные входные данные, пренебрегая полным потенциалом моделей трансформаторов в улавливании как краткосрочных, так и^{долгосрочных рыночных тенденций}.

Таким образом, настоящее исследование устраняет критический пробел в исследованиях, предлагая и оценивая трансформерную модель глубокого обучения, обученную на исторических данных о ценах на золото за десятилетие (2014-2024 гг.), собранных с помощью автоматизированного и воспроизводимого метода веб-скрейпинга с использованием UiPath. Модель направлена на повышение точности прогнозирования по сравнению с существующими моделями, такими как LSTM, CNN-LSTM и регрессия. Он предоставляет инвесторам и политикам надежный инструмент для принятия обоснованных решений в условиях неопределенности на рынке²².

Неудержимый рост цен на золото усилил потребность в прогнозировании, которое как никогда важно для инвесторов, финансовых аналитиков и политиков. Золото широко ценится как актив-убежище и играет ключевую роль в инвестиционных стратегиях, особенно в таких странах, как Индия, где оно имеет экономическое и культурное значение. В условиях растущей волатильности рынка и глобальной неопределенности надежные прогнозы имеют решающее значение для максимизации прибыли, управления рисками и принятия обоснованных финансовых решений. Исследование призвано разработать точную и эффективную модель прогнозирования цен на золото, которая соответствует сложностям современных финансовых рынков.

Протокол

Методология данного исследования представляет собой систематический процесс, направленный на разработку модели трансформатора для прогнозирования цен на золото. Сбор данных — это первый этап, на котором исторические данные о ценах на золото и соответствующие финансовые показатели собираются для формирования всеобъемлющего набора данных. Набор данных проходит предварительную обработку данных, разработку модели, оценку, метрики производительности и, наконец, прогноз цены золота с подробным объяснением в последующих разделах.

Сбор данных и достоверность:
Исторические данные о ценах на золото для данного исследования были собраны с помощью автоматизированного процесса, разработанного на платформе UiPath Robotic Process Automation (RPA). Набор данных был получен от Investing.com широко используемой и авторитетной финансовой платформы, известной своими структурированными и точными данными о товарах и^{рынках.} Он включал ежедневные значения даты, открытия, максимума, минимума, закрытия, объема и процентного изменения за период с 1 января 2014 года по 31 декабря 2024 года (дополнительная таблица 1). Автоматизация была запрограммирована на переход на страницу с соответствующими историческими данными, указание определенного диапазона дат и экспорт набора данных в Excel. Чтобы повысить стабильность и скорость выполнения, в процесс не использовался интерфейс выбора календаря и были включены процедуры проверки, временные задержки и условные проверки для учета вариаций веб-страниц. Такой подход позволил обеспечить эффективное, воспроизводимое и точное извлечение данных без необходимости ручного вмешательства.

Чтобы обеспечить целостность и надежность данных, было включено несколько этапов проверки, таких как UiPath Element Exists, условные проверки и задержки для управления динамической загрузкой страниц, чтобы гарантировать целостность и надежность данных. Веб-скрейпинг из внешних источников может быть ценным методом эффективного получения больших наборов данных. Однако это также может быть связано с такими проблемами, как несогласованные форматы данных, изменения в структуре веб-страниц или изменения доступности данных с течением времени. Скребковый инструмент имеет процедуры обработки ошибок и проходит периодические испытания на надежность для снижения этих рисков. Чтобы подтвердить правильность, полученные данные были случайным образом перепроверены с информацией из других источников, таких как Yahoo Finance. Во время предварительной обработки было использовано форвардное заполнение и интерполяция для управления неторговыми днями и отсутствующими записями. Этот метод предлагает надежный, но эффективный способ создания надежного набора данных, подходящего для моделей глубокого обучения.

Предварительная обработка данных:
В настоящем исследовании набор данных о ценах на золото был сначала загружен в pandas DataFrame для создания табличного набора данных для анализа и изучен с использованием таких методов, как info, describe и unique для оценки типов данных, статистических распределений и количества уникальных значений в каждом столбце. Затем набор данных был отсортирован в порядке возрастания на основе его индекса, что обеспечивает хронологическое расположение для анализа временных рядов. Недостающие значения были идентифицированы и устранены с помощью dropna, а дубликаты записей были обнаружены с помощью метода дублирования и впоследствии удалены с помощью drop_duplicates для сохранения целостности данных. Названия столбцов были стандартизированы для обеспечения согласованности путем переименования таких переменных, как «Цена на закрытие», «Объем на объем» и «Изменение % на изменение», что способствовало ясности в дальнейшем анализе. С помощью этих этапов набор данных был очищен, структурирован и подготовлен для поддержки точного и надежного последующего моделирования и интерпретации.

Разработка модели:
Модель трансформатора опирается на механизмы собственного внимания, а не на повторение или свертку, что позволяет эффективно моделировать последовательности. В контексте прогнозирования временных рядов, таких как прогнозирование цен на золото, эта архитектура может эффективно фиксировать долгосрочные^{зависимости40}. Следовательно, модель трансформатора на рисунке 2 используется для прогнозирования цен на золото с использованием передовых методов глубокого обучения для анализа исторических ценовых трендов. После предварительной обработки входные данные сначала проходят через слой встраивания, преобразуя числовые объекты в плотные векторные представления, что делает данные более значимыми для анализа. Позиционное кодирование применяется для сохранения временной информации. Каждый блок энкодера содержит механизм внимания с несколькими головами с 4 головами внимания, за которыми следует нейронная сеть с прямой связью. Каждая голова внимания использует масштабированное скалярное произведение внимания для фокусировки на релевантных точках исторических данных. Модель имеет четыре слоя энкодера, каждый из которых имеет размер внутреннего слоя прямой связи 512 и размерность (d_model) 128. За каждым подслоем следует регуляризация отсева со скоростью 0,1, чтобы избежать переобучения. Постоянное использование остаточных соединений и нормализация слоев стабилизирует обучение и улучшает сходимость. Ключевым компонентом модели является механизм внимания, который идентифицирует и приоритизирует наиболее релевантные прошлые данные, а не рассматривает все исторические значения одинаково. Это позволяет модели улавливать важные закономерности и зависимости в движении цен на золото. Затем обработанная информация пропускается через слой нейронной сети, который дополнительно уточняет шаблоны и взаимосвязи для повышения точности прогнозирования. Кроме того, модель включает в себя несколько многоуровневых слоев трансформатора, что повышает ее способность изучать сложные тренды и улучшать прогностическую производительность. Наконец, точность модели оценивается с помощью таких показателей производительности, как среднеквадратичная ошибка (MSE), среднеквадратичная ошибка (RMSE) и R-квадрат (R²). Этот трансформаторный подход эффективно фиксирует как краткосрочные, так и долгосрочные зависимости в данных финансовых временных рядов, что делает его очень эффективным для точного прогнозирования цен на золото.

Чтобы нормализовать входные объекты, было применено минимально-максимальное масштабирование, как показано в следующем уравнении.

Пусть x — значение признака, x_min и x_max — минимум и максимум признака⁴¹.

x: первоначальная стоимость (сегодняшняя цена на золото).
x_min, x_min: минимальное и максимальное значение этой функции за период обучения.
[а, б]; дальность действия цели (обычно [0, 1]; иногда [-1, 1]).

Ядром энкодера трансформатора является механизм⁴⁰ масштабированного точечного произведения, определенный как:

Среднеквадратичная ошибка (MSE)
Модель была обучена для минимизации среднеквадратичной ошибки (MSE) между прогнозируемыми и фактическими значениями⁴².

MSE =

Среднеквадратичная ошибка (RMSE)
Производительность оценивалась с использованием среднеквадратичной ошибки (RMSE)⁴³, рассчитанной как

RMSE =

Обучение и валидация
Набор данных разделен на три подмножества, 80 % которых выделено для обучения, 10 % — для тестирования и 10 % — для проверки. Модель оптимизирована с использованием оптимизатора^{Адама 44} с размером партии 64 и коэффициентом обучения 0,001. Для предотвращения переобучения проводится более 50 эпох с досрочными остановками на основе потерь валидации. Среднеквадратичная ошибка (MSE) служит функцией потерь. Целевые выходные данные имеют значение при t+30, а последовательные входные данные генерируются с 30-дневным окном ретроспективного анализа (L = 30). При необходимости применяются отступы и маски для сохранения постоянной длины последовательности. Для реализации модели был использован TenSorFlow⁴⁵ , гарантирующий ее масштабируемость и воспроизводимость. Воспроизводимость поддерживается этими всеобъемлющими спецификациями, которые также улучшают понимание адаптации архитектуры трансформатора к финансовому прогнозированию.

Тестирование
Окончательная оценка модели трансформатора проводится с использованием тестового набора данных, включающего оставшиеся 10% от общего объема данных. Прогнозируемые цены на золото сравниваются с фактическими значениями, а для измерения точности прогноза рассчитываются метрики эффективности.

Оценка модели
Прогностическая эффективность модели оценивалась с использованием ключевых статистических показателей, таких как среднеквадратичная ошибка (MSE), среднеквадратичная ошибка (RMSE) и R-квадрат (R²). Результаты представлены в следующем разделе.

Результаты

В ходе анализа исследования метрики производительности оценивались на основе исторических данных; эти метрики использовались для того, чтобы дать всестороннюю картину того, насколько хорошо модель трансформатора предсказывала будущие цены на золото.

На рисунке 3 свечной график цены на золото представляет собой полное визуальное представление ценовых колебаний, выделяя значимые закономерности, рыночные коррекции и стабильные интервалы во времени. Чтобы было проще с...

Обсуждение

В настоящем исследовании предложена трансформерная модель глубокого обучения, которая использует данные, собранные UiPath, автоматизированной платформой, обеспечивающей своевременный и организованный сбор финансовых данных для прогнозирования цен на фьючерсы на золото с повышенной точностью и надежностью. Модель включает в себя данные о цене золота с важными техническими индикаторами, такими как метрики объема, 30-дневные и 100-дневные скользящие средние, тренды, прогноз цен на золото и ...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Источник данных	Investing.com	https://in.investing.com/commodities/gold-historical-data	Investing.com – это платформа финансового рынка, которая предоставляет рыночные котировки, информацию об акциях, фьючерсах и т.д.
Модель трансформатора (Python, реализованный в Google Colab)	Гугл	https://colab.research.google.com/	Разработал исходный код Python для анализа данных с целью извлечения информации из данных, и этот код был выполнен в виртуальной среде Google Colab
Роботизированная автоматизация процессов UiPath	UiPath, Inc.	https://www.uipath.com	Извлечь данные из исходника, и код был выполнен на этой платформе UiPath Studio.