Исследовательская статья

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

DOI:

10.3791/68903

⸱

26 сентября 2025 г.

 , 
1VIT-AP University

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 искачки.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 со....

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.......

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 .......

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

У авторов отсутствует конфликт интересов в данной исследовательской работе.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это исследование было поддержано Университетом VIT-AP, Амаравати, Индия.

....

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Источник данныхInvesting.comhttps://in.investing.com/commodities/gold-historical-dataInvesting.com – это платформа финансового рынка, которая предоставляет рыночные котировки, информацию об акциях, фьючерсах и т.д.   
Модель трансформатора (Python, реализованный в Google Colab)Гуглhttps://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.comИзвлечь данные из исходника, и код был выполнен на этой платформе UiPath Studio.

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41 (2), 257-266 (2015).
  2. Oloko, T. F., Ogbonna, A. E., Adedeji, A. A., Lakhani, N. Oil price shocks and inflation rate persistence....

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

TransformerUiPath

Похожие статьи