Araştırma makalesi

UiPath Aracılığıyla Kazınan Verilerle Transformer Derin Öğrenme Modellerini Kullanarak Altın Vadeli İşlemleri Fiyat Tahmini

DOI:

10.3791/68903

⸱

26 Eylül 2025

 , 
1VIT-AP University

Bu makalede

Özet

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

Çalışma, 2014'ten 2024'e kadar olan geçmiş verileri kullanarak altın fiyatlarını doğru bir şekilde tahmin etmek için bir transformatör derin öğrenme modeli geliştiriyor. %93 doğruluk oranına ulaşan model, karmaşık eğilimleri ve bağımlılıkları yakalayarak geleneksel yöntemlerden daha iyi performans gösteriyor. Yatırımcılara ve politika yapıcılara karar vermede yardımcı olur ve duyarlılık analizi ve küresel faktörleri kullanarak gelecekteki iyileştirmeler önerir.

Özet

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

Altın, başta Hindistan olmak üzere dünya çapında en değerli ve en çok işlem gören emtialardan biridir ve ekonomik ve finansal piyasalarda önemli bir rol oynamaktadır. Tarihsel olarak altın, merkez bankalarının enflasyonu ve dış borcu yönetmek için rezerv tutmasıyla uluslararası ticaretin ve ekonomik istikrarın temel taşı olmuştur. Altın fiyatı, piyasa eğilimlerini ve yatırım stratejilerini etkileyen önemli bir ekonomik gösterge olarak hizmet eder. Bununla birlikte, faiz oranları, ekonomik durgunluklar, petrol fiyatlarındaki dalgalanmalar ve jeopolitik olaylar gibi çeşitli faktörlerden etkilenen finansal piyasaların karmaşık ve doğrusal olmayan doğası nedeniyle altın fiyatlarını doğru bir şekilde tahmin etmek zordur. UiPath kullanılarak web kazıma yoluyla investing.com'den toplanan günlük altın fiyatlarını tahmin etmek için çalışma transformatörü modeli kullanıldı. Verilerin bütünlüğünü korumak ve model performansını artırmak için bir Robotik Süreç Otomasyonu (RPA) platformudur, eksik veri işleme ve MinMax ölçeklendirme gibi ön işleme işlemleri gerçekleştirilmiştir. Model, temel performans ölçümleri üzerinde test edildi ve eğitildi ve yüksek tahmin doğruluğuyla 0.0224 Ortalama Kare Hatası (MSE), 0.1496 Ortalama Karekök Hatası (RMSE) ve 0.93 R-kare elde etti. Çalışma sonuçları, transformatör modelinin kısa vadeli fiyat hareketlerini ve uzun vadeli piyasa eğilimlerini etkili bir şekilde tespit ederek geleneksel tahmin yöntemlerinden daha doğru ve güvenilir bir yöntem sunduğunu doğrulamaktadır. Çalışma, yatırımcılara, finansal analistlere ve politika yapıcılara külçe altın piyasasında bilinçli kararlar alma konusunda değerli rehberlik sağlıyor. Gelecekteki araştırmalar, piyasa hareketlerine ilişkin potansiyel olarak daha zengin bilgiler sunabilecek haber başlıklarından ve sosyal medyadan elde edilen duyarlılık gibi alternatif veri kaynaklarının dahil edilmesiyle geliştirilebilir.

Giriş

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

Altın, finansal piyasalardaki en önemli emtialardan biri, kritik bir ekonomik kaynak ve fiyat kontrol aracıdır. Altın, birçok ülkede merkez bankası rezervlerinin önemli bir bölümünü oluşturmaktadır1. Son zamanlarda altın, enflasyondan korunma aracı olarak daha iyi bilinir hale geldi2. Önemli bir riskten korunma varlığıdır ve oynaklık tahmini, asimetriyi, aşırılıkları ve sıçramaları hesaba katan Genelleştirilmiş Otoregresif Koşullu Değişen Varyans - Karma Veri Örnekleme (GARCH-MIDAS) modelleri kullanılarak iyileştirilir3. Hindistan ve Çin, küresel talebin yaklaşık %60'ını oluşturan en büyük altın ithalatçıları ve tüketicileridir. Piyasa dinamikleri ve emtia ilişkilerinin etkisiyle altın fiyatlarındaki sürekli yükseliş, altını gelecekteki getiriler için tercih edilen bir yatırım olarak konumlandırmıştır4. Hindistan'da fiziksel altın varlıklarının büyüklüğü oldukça fazladır ve hane halkı genellikle altını hem kültürel bir varlık hem de finansal bir güvence olarak görmektedir. Fiziki altına olan talebi piyasa eğilimlerini doğrudan etkiliyor ve altın fiyatı tahmini 5,6 ile ilgisinin dikkate alınması gerektiğini vurguluyor. Yatırımcılar sürekli olarak en düşük riskle en yüksek getiriyi sunan yatırım fırsatları arıyorlar. Bu bağlamda altın, ekonomik belirsizlikler sırasında finansal güvenlik sağlayan güvenli bir liman varlığı olarak hizmet vermektedir. Hindistan'daki en iyi yatırım alternatifleri arasında hisse senetleri, bankalar, mevduatlar, sigorta, altın posta tasarrufları, diğer tasarruflar ve yatırım seçenekleri yer almaktadır7. İstikrarı göz önüne alındığında altın, çeşitli yatırım seçenekleri arasında en iyi alternatif yatırım seçeneği ve enflasyona ve finansal risklere karşı koruma sağlayan değerli bir varlık olarak kabul edilmektedir 1,8. Altın fiyatının belirlenmesi altın talebi, arzı, enflasyon ve döviz kurları gibi faktörlerden etkilenir. Şaşırtıcı bir bulgu, doların değer kazanmasının, potansiyel olarak spekülatif yatırım nedeniyle artan altın fiyatlarıyla ilişkili olduğunu gösteriyor9. Değişken, öngörülemeyen, doğrusal olmayan ve kontrol edilemeyen fiyat hareketi nedeniyle altın fiyatını tahmin etmek zordur10. Bu nedenle, doğru altın fiyatı tahmini yatırımcılar, portföy yöneticileri ve politika yapıcılar için çok önemlidir, çünkü iyileştirilmiş tahminler önemli kâr fırsatlarına yol açabilir11. Altının yirmi yıl öncesine göre dört kat daha yüksek olan mevcut fiyat eğilimi ve altını elde tutma arzusu, yatırımcıları ilgili varlıklara yatırım yapmaya çekmektedir12. Bu nedenle, altına yatırım yapmadan önce her yatırımcının fiyatını etkileyen temel faktörleri anlaması gerekir13. Finans sektöründe, altın fiyatlarının yönünü tahmin etme kapasitesi esastır, performans tahminindeki küçük ilerlemeler bile kârla sonuçlanabilir, para bir yaşam sürmek için gereklidir ve sağlam finansal tahminler ekonomik büyümeyi destekleyecektir14.

Şekil 1 , 2014'ten 2024'e kadar Hindistan'daki altın fiyat trendlerini ve altın fiyatlarının dolar endeksi, federal fon oranı, tüketici fiyat endeksi (TÜFE), döviz kuru, petrol fiyatları ve S&P50015 gibi küresel faktörlere nasıl dayandığını araştırıyor. Diğer faktörler arasında iş çevrimleri, nominal faiz oranları, emtia fiyatları, döviz kurları ve hisse senedi fiyatları yer alır16. Özellikle son yıllarda önemli fiyat değişimlerini, piyasadaki oynaklığı ve altın fiyatlarında sürekli bir genişleme dönemini vurguluyor. Fiyatlar 2014 ve 2018 yılları arasında çok az dalgalanma gösterdi, ancak 2019'da daha fazla fiyat dalgalanması ile güçlü bir artış eğilimi gözlendi. Altının güvenli liman varlığı olarak konumu, büyük olasılıkla enflasyon ve ekonomik çalkantı endişelerinin yol açtığı 2020'deki önemli artışla güçlendi. Kapanış fiyatı, açılış fiyatını yakından takip eder, ancak özellikle 2020'den sonra daha fazla oynaklık, yüksek ve düşük fiyatlar arasındaki daha geniş boşluklarla gösterilir. Fiyatlar 2023-2024 zaman diliminde istikrarlı bir şekilde artarak tüm zamanların en yüksek seviyelerine ulaştı. Grafik, altının zaman içinde nasıl değer kazandığını gösteriyor ve bu da onu analistler ve yatırımcılar için faydalı bir varlık haline getiriyor.

Doğru altın fiyatı tahmini, bilinçli karar verme açısından hayati öneme sahiptir ancak ekonomik ve jeopolitik koşullar gibi karmaşık faktörler nedeniyle zordur17. Otoregresif Entegre Hareketli Ortalama (ARIMA) gibi geleneksel modeller genellikle bu karmaşıklıkları yakalamakta zorlanır ve tahmin doğruluklarını sınırlar18,19. Bu sınırlamaların üstesinden gelme arayışında, makine öğrenimi ve derin öğrenmedeki son gelişmeler, finansal tahmin doğruluğunu önemli ölçüde artırdı. Deneyler, Uzun Kısa Süreli Bellek (LSTM) ağları gibi derin öğrenme modellerinin, altın fiyatlarındaki sıralı ilişkileri ve eğilimleri yakalayarak geleneksel istatistiksel modellerden önemli ölçüde daha iyi performans gösterdiğini göstermiştir20. Hibrit tahmin modelleri, büyük veri hesaplama ve ekonomide altın fiyatlarının tahmin edilmesinde önemli bir husustur21. Bununla birlikte, performansları ne olursa olsun, Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) gibi tekrarlayan modellerin, büyük ölçekli finans zaman serisi verilerini işlemedeki verimliliklerini etkileyebilecek gradyan problemlerinin kaybolması, yüksek hesaplama karmaşıklığı ve uzun vadeli ilişkileri yakalayamama gibi doğal sınırlamaları vardır.

Bu açıkları kapatmak ve tahmin transformatörlerinin doğruluğunu daha da artırmak için, LSTM ağlarına kıyasla transformatör modelleri artık zaman serisi tahmininde cazip bir seçimdir, transformatörler öz-dikkat mekanizmalarından yararlanır, böylece ölçeklenebilirliği artırmak için finansal verilerdeki ve paralel işlemedeki uzun vadeli kalıpları ve kısa vadeli salınımları etkili bir şekilde tespit etmelerini sağlar. Transformatörler, finansal piyasa tahminlerindeki etkinlikleri göz önüne alındığında, altın fiyatı tahmin doğruluğunu artırma konusunda önemli bir potansiyele sahiptir. Bu çalışma, geçmiş altın fiyatlarını ve altın tahmini için daha sağlam bir yaklaşım sağlayan önemli ekonomik verileri kullanarak altın fiyatı tahmini için bir transformatör modeli geliştirmeyi amaçlamaktadır.

Daha önceki çalışmalar, sinir ağları, algoritmalar, makine öğrenimi, derin öğrenme ve yapay zeka gibi çeşitli teknikler kullanarak altın fiyatını tahmin etmişti. Altın fiyat tahmini ile ilgili yapılan çalışmalardan bazıları şu şekildedir:

Gauss süreç regresyonu (GPR), çelik, bakır ve değerli metallerdeki uygulamalarla metal fiyat tahmini için sağlam bir araç olarak ortaya çıkmış, yüksek boyutlu finansal verileri işlemedeki etkinliğini vurgulamış ve altın fiyatını daha doğru tahmin etmek için Bayes yöntemleriyle modelleri optimizeetmiştir. Çalışma, altın, gümüş ve platinin oynaklığını tahmin etmek için Rastgele Evrişimli Çekirdek Tabanlı Sinir Ağını (RCK) Genelleştirilmiş Otoregresif Koşullu Değişen Varyans (GARCH) ile birleştiren yeni bir hibrit model sunuyor. Önerilen yöntemin doğruluğu, GARCH-LSTM model 23'ünkinden %53 daha yüksektir. Çalışmada, Tüketici Fiyat Endeksi'ni (TÜFE) dikkate alarak Hindistan ve Amerika Birleşik Devletleri'nde gelecekteki altın fiyatlarını ve enflasyon oranlarını tahmin etmek için ARIMA ve Holt-Winters modelleri kullanıldı. Altın, hem Hintli hem de ABD'li Yatırımcılar için enflasyona karşı iyi bir korunma aracıdır24. Çalışma, Bitcoin'in altın, petrol, ABD Dolar Endeksi (DXY) ve faiz oranları gibi küresel faktörlerle ilişkisini analiz etmek için derin öğrenme ve makine öğrenimi modellerini karşılaştırıyor. Temporal Fusion Transformer (TFT), küresel olaylar ve düzenlemeler arasında altın ve DXY'yi temel etkileyiciler olarak vurgulayarak diğerlerinden daha iyi performans gösteriyor25. Ayrıca, çalışma enflasyon oranı, faiz oranı, ham petrol fiyatı ve ABD doları endeksi gibi altın vadeli işlem fiyatlarını etkileyen faktörleri üç ana tahmin yöntemiyle sistematik olarak gözden geçirmektedir: geleneksel zaman serisi modelleri (ARIMA GARCH, ARDL), hibrit modeller (MS-MIDAS-CJ, VMD-ICSS-BiGRU) ve derin öğrenme yöntemleri (SGRU-) DBN)26. Transformatör mimarileri, uzun vadeli bağımlılıkları etkili bir şekilde yakalayarak ve geleneksel Yinelenen Sinir Ağı (RNN) tabanlı modellerden daha iyi performans göstererek uzun vadeli zaman serisi tahmininde güçlü bir potansiyele sahiptir27. Çalışmada altın fiyatları ile borsalar, ham petrol, döviz kurları, enflasyon ve faiz oranları gibi temel belirleyiciler arasındaki ilişki araştırıldı. Altın fiyatlarını tahmin etmede gradyan artırıcı regresyonun rastgele orman regresyonundan daha doğru olduğunu bulan makine öğrenimi algoritmalarını kullanır14. Çalışma, hazine bonosu oranlarını, altın talebini ve gecikmeli altın fiyatlarını ortak değişkenler olarak kullanarak yıllık altın fiyatlarını tahmin etmek için Otoregresif Dağılım Gecikmesi (ARDL) modelini kullandı28. Altın fiyat tahmini için önerilen Evrişimli Sinir Ağı-Uzun Kısa Süreli Bellek (CNN-LSTM) modeli, daha düşük MAE ve RMSE değerlerine sahip geleneksel yöntemlere kıyasla üstün performans göstermektedir. Evrişimli katmanların LSTM mimarisine dahil edilmesi, verilerdeki hem kısa vadeli kalıpları hem de uzun vadeli bağımlılıkları yakalama yeteneğini daha da geliştirir29.

Gelecekteki altın fiyatları, altın fiyatları, gümüş fiyatları, ham petrol fiyatları ve Standard and Poor's 500 hisse senedi endeksi (S&P500) endeksi ve döviz kuru gibi tarihsel veriler, Extreme Learning Machine (ELM) modeli kullanılarak %91.67 doğrulukla dört emtiadan tahmin edilmektedir4. Tahran Menkul Kıymetler Borsası'ndan (TSE) alınan verilere dayanarak hisse senedi fiyat dalgalanmalarını ve altın fiyatlarını tahmin etmek için Çok Katmanlı Algılayıcı (MLP) sinir ağı modeli kullanıldı. Sonuç, yapay sinir ağının tahmin doğruluğu30 açısından geleneksel tahmin modellerinden daha iyi performans gösterdiğini gösterdi. Çalışma, LSTM'yi Doğrusal Regresyon modelleriyle karşılaştırdı ve Doğrusal Regresyonun, altın fiyatlarının günlük dalgalanmalarını tahmin etmede %53,02 gibi marjinal olarak daha yüksek bir doğruluk oranına ulaştığını keşfetti. Bu, daha basit modellerin bile altın fiyat hareketlerini tahmin etmede etkili olabileceğini ve altın fiyatları ile daha geniş ekonomik faktörler arasındaki ilişkileri anlamanın önemini vurguladığını göstermektedir31. Altın fiyatı tahmin çalışması için Dalgacık Sinir Ağı (WNN) modellemesi deneysel sonuçlar, gelişmiş Yapay Arı Kolonisi (ABC) algoritmasının, dalgacık sinir ağlarını kullanan altın fiyatı tahmininde geleneksel ABC yaklaşımından daha iyi performans gösterdiğini göstermiştir32.

Altın ve finansal piyasa tahmini için çeşitli gelişmiş tahmin modelleri önerilmiştir. Çalışmalardan biri, geçmiş altın fiyatlarını girdi olarak kullanan bir Uyarlanabilir Nöro-Bulanık Çıkarım Sistemi (ANFIS) kullanarak bir altın fiyatı tahmin modeli geliştirdi. Model, RMSE açısından ARIMA ve CNN modellerinden daha iyi performans gösteren ertesi gün altın fiyatlarını doğru bir şekilde tahmin etti. Ayrıca, önemli ölçüde daha yüksek yatırım getirisi sağlayarak hem Satın Al hem de Tut stratejilerinin performansını aştı ve altın fiyatı tahmini için güçlü bir potansiyel ortaya koydu33. Başka bir çalışma, bir ELM'yi Bulanık Çıkarım Sistemi (FIS) ile entegre etti ve Kaotik Kuantum Çapraz Arama Algoritması (CQCSA) optimizasyon tekniğini kullandı. Bu hibrit model, altın ve petrol fiyatlarını tahmin etmede üstün performans sergiliyor34. Bir araştırmada, Vanilla Stacked LSTM'lerin zaman serisi tahmininde diğer yaklaşımları geride bıraktığı COVID-19 döneminde finansal piyasa tahmini üzerine çeşitli makine öğrenimi modelleri kullanıldı. Bulgular, kısa vadeli piyasa tahminleri için tarihsel finansal verilerin yanı sıra ekonomik olmayan değişkenleri de dahil etmenin önemini vurgulamıştır35. Çalışma, altın ve gümüş hisse senedi fiyat hareketlerini tahmin etmek için topluluk modellerini araştırdı. Bu yaklaşımlar, altın için %85 ve gümüş için %79 gibi kayda değer doğruluk oranlarına ulaşarak karmaşık piyasa dinamiklerini yakalama yeteneklerini ortaya koymuştur36. Altın fiyat tahmini için derin öğrenme mimarilerine odaklanan başka bir çalışmada, Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) modeli, daha yüksek R2, daha düşük MAE ve RMSE değerleri elde ederek standart LSTM'lerden daha iyi performans gösterdi. BiLSTM, normalleştirilmiş geçmiş verilerden zamansal kalıpları etkili bir şekilde yakalayarak, finansal tahminlerin doğruluğunu artırma potansiyelini göstermiştir37.

Altın fiyatlarının doğru tahmini, finansal piyasaların değişken, doğrusal olmayan ve çok faktörlü doğası nedeniyle yatırımcılar, analistler ve politika yapıcılar için uzun süredir önemli bir zorluk teşkil etmektedir10. ARIMA gibi geleneksel istatistiksel modeller ve regresyon temelli yaklaşımlar, özellikle makroekonomik göstergelerin, jeopolitik gerilimlerin ve küresel finansal değişimlerin etkisi altında, altın fiyat hareketlerinin doğasında bulunan karmaşık ve dinamik ilişkileri yakalamada sınırlamalar göstermiştir19. ARIMA ve benzeri modeller kısa vadeli doğrusal tahmin için yararlı olsa da, doğrusal olmamayı, yapısal kırılmaları ve uzun vadeli bağımlılıkları yakalama yeteneğinden yoksundurlar18,38. LSTM ve GRU gibi derin öğrenme modelleri, sıralı kalıpları öğrenerek tahmin performansını geliştirmiş olsa da20. Bu modeller hala, kaybolan gradyanlar ve zaman serisi verilerinde29 uzun vadeli bağımlılıkları modellemedeki zorluklar gibi içsel sınırlamalardan muzdariptir. Ayrıca, hibrit ve topluluk modelleri araştırılmış olsa da, genellikle büyük ölçekli finansal veri kümelerinde ölçeklenebilirlik ve hesaplama verimliliği ile mücadele ederler23. Enflasyona ve ekonomik belirsizliğe karşı korunma aracı olarak giderek daha fazla kullanılan altın, özellikle Hindistan gibi önemli kültürel ve finansal öneme sahip ülkelerde, sağlam, yüksek doğruluklu tahmin modellerine olan talep çok önemli hale geldi2. Derin öğrenmedeki son yenilikler, özellikle öz-dikkat mekanizmasıyla bilinen transformatör mimarisi, finansal alanlarda zaman serisi tahmin görevlerinde umut verici sonuçlar göstermiştir17. Bununla birlikte, mevcut literatür, çeşitli ekonomik göstergelerle zenginleştirilmiş uzun vadeli tarihsel veri kümelerini kullanarak özellikle altın fiyat tahmini için transformatör modellerinin kapsamlı bir araştırmasından yoksundur. Önceki çalışmaların çoğu ya kısa vadeli tahminlere odaklanmış ya da sınırlı veri girdileri kullanmış, transformatör modellerinin hem kısa vadeli hem de uzun vadeli piyasa eğilimlerini yakalamadaki tam potansiyelini ihmal etmiştir31.

Bu nedenle, bu çalışma, UiPath kullanılarak otomatik ve tekrarlanabilir bir web kazıma yöntemiyle toplanan on yıllık tarihsel altın fiyatı verileri (2014-2024) üzerinde eğitilmiş bir transformatör derin öğrenme modeli önererek ve değerlendirerek kritik araştırma boşluğunu ele almaktadır. Model, tahmin doğruluğunu artırmayı ve LSTM, CNN-LSTM ve regresyon gibi mevcut modellerden daha iyi performans göstermeyi amaçlamaktadır. Yatırımcılar ve politika yapıcılar için piyasa belirsizliği altında bilinçli kararlar almada güvenilir bir araç sağlar22.

Altın fiyatlarındaki durdurulamaz artış, yatırımcılar, finansal analistler ve politika yapıcılar için her zamankinden daha önemli olan tahmin ihtiyacını artırdı. Altın, güvenli liman varlığı olarak yaygın bir şekilde değerlendirilmekte ve özellikle Hindistan gibi ekonomik ve kültürel öneme sahip ülkelerde yatırım stratejilerinde kilit bir rol oynamaktadır. Giderek daha değişken hale gelen bir piyasa ve küresel belirsizlik ortamında, getirileri en üst düzeye çıkarmak, riskleri yönetmek ve sağlam finansal kararlar almak için güvenilir tahminler çok önemlidir. Çalışma, günümüz finans piyasalarının karmaşıklığıyla uyumlu, doğru ve etkili bir altın fiyatı tahmin modeli geliştirmek üzere tasarlanmıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu araştırmanın metodolojisi, altın fiyat tahmini için bir transformatör modeli geliştirmek üzere tasarlanmış sistematik bir süreçtir. Veri toplama, kapsamlı bir veri seti oluşturmak için geçmiş altın fiyatı verilerinin ve ilgili finansal göstergelerin toplandığı ilk adımdır. Veri seti, veri ön işleme, model geliştirme, değerlendirme, performans ölçümleri ve son olarak sonraki bölümlerde ayrıntılı bir açıklama ile altın fiyatı tahmininden geçer.

Veri toplama ve güvenilirlik:
Bu çalışma için geçmiş altın fiyatı verileri, UiPath Robotik Süreç Otomasyonu (RPA) platformunda geliştirilen otomatik bir süreç kullanılarak toplanmıştır. Veri seti, yapılandırılmış ve doğru emtia ve piyasa verileriyle tanınan, yaygın olarak kullanılan ve saygın bir finansal platform olan Investing.com'den elde edilmiştir39. 1 Ocak 2014 ile 31 Aralık 2024 arasındaki dönemi kapsayan Tarih, Açılış, Yüksek, Düşük, Kapanış, Hacim ve Yüzde Değişim için günlük değerleri içeriyordu (Ek Tablo 1). Otomasyon, ilgili geçmiş veri sayfasına gitmek, tanımlanan tarih aralığını belirlemek ve veri setini Excel'e aktarmak üzere programlanmıştır. Kararlılığı ve yürütme hızını artırmak için süreç, takvim seçici arayüzünden kaçındı ve web sayfası varyasyonlarına uyum sağlamak için doğrulama rutinleri, zaman gecikmeleri ve koşullu kontroller içeriyordu. Bu yaklaşım, manuel müdahale gerektirmeden verimli, tekrarlanabilir ve doğru veri çıkarılmasına olanak sağladı.

Veri bütünlüğünü ve güvenilirliğini sağlamak için, veri bütünlüğünü ve güvenilirliğini garanti etmek amacıyla UiPath'in Öğe Var, koşullu kontroller ve dinamik sayfa yüklemelerini kontrol etmeye yönelik gecikmeler gibi çoklu doğrulama adımları dahil edildi. Harici kaynaklardan web kazıma, büyük veri kümelerini verimli bir şekilde elde etmek için değerli bir yöntem olabilir. Ancak tutarsız veri formatları, web sayfası yapısındaki değişiklikler veya zaman içinde veri kullanılabilirliğindeki değişiklikler gibi zorlukları da beraberinde getirebilir. Kazıma aleti hata işleme prosedürlerine sahiptir ve bu riskleri azaltmak için periyodik güvenilirlik testlerinden geçmiştir. Doğruluğunu teyit etmek için, alınan veriler Yahoo Finance gibi diğer kaynaklardan gelen bilgilerle rastgele çapraz kontrol edildi. Ön işleme sırasında, işlem dışı günleri ve eksik kayıtları yönetmek için ileriye dönük doldurma ve enterpolasyon kullanıldı. Bu yöntem, derin öğrenme modellerine uygun, güvenilir bir veri kümesi üretmenin sağlam ancak etkili bir yolunu sunar.

Veri ön işleme:
Bu çalışmada, altın fiyatı veri kümesi ilk olarak analiz için tablo şeklinde bir veri kümesi oluşturmak üzere bir pandas DataFrame'e yüklendi ve veri türlerini, istatistiksel dağılımları ve her sütundaki benzersiz değerlerin sayısını değerlendirmek için bilgi, açıklama ve benzersiz gibi yöntemler kullanılarak incelendi. Veri seti daha sonra indeksine göre artan düzende sıralandı ve zaman serisi analizi için kronolojik düzenleme sağlandı. Dropna kullanılarak eksik değerler belirlendi ve ortadan kaldırıldı ve yinelenen yöntem kullanılarak yinelenen girişler tespit edildi ve ardından veri bütünlüğünü korumak için drop_duplicates kaldırıldı. Sütun adları, Kapanış Fiyatı, Hacim Hacim ve Değişim Yüzdesi Değişim gibi değişkenler yeniden adlandırılarak tutarlılık için standartlaştırıldı ve böylece daha sonraki analizlerde netlik sağlandı. Bu adımlar sayesinde veri kümesi temizlendi, yapılandırıldı ve sonraki modelleme ve yorumlamayı desteklemek için hazırlandı.

Model geliştirme:
Transformatör modeli, tekrarlama veya evrişimden ziyade öz-dikkat mekanizmalarına dayanır ve verimli dizi modellemeyi mümkün kılar. Altın fiyat tahmini gibi zaman serisi tahminleri bağlamında, bu mimari uzun vadeli bağımlılıkları etkili bir şekilde yakalayabilir40. Bu nedenle, Şekil 2'deki transformatör modeli, geçmiş fiyat eğilimlerini analiz etmek için gelişmiş derin öğrenme tekniklerinden yararlanarak altın fiyat tahmini için kullanılır. Veri ön işlemeden sonra, girdi verileri ilk olarak bir gömme katmanından geçerek sayısal özellikleri yoğun vektör temsillerine dönüştürerek verileri analiz için daha anlamlı hale getirir. Zamansal bilgileri korumak için konumsal kodlama uygulanır. Her kodlayıcı bloğu, 4 dikkat başlığı ve ardından bir ileri beslemeli sinir ağı içeren çok kafalı bir dikkat mekanizması içerir. Her dikkat başlığı, ilgili geçmiş veri noktalarına odaklanmak için ölçeklendirilmiş nokta-çarpım dikkatini kullanır. Model, her biri 512 ileri beslemeli iç katman boyutuna ve 128 boyutluluğa (d_model) sahip dört kodlayıcı katmanına sahiptir. Aşırı uyumu önlemek için her bir alt katmanı 0,1 oranında bırakma düzenlemesi takip eder. Artık bağlantıların sürekli kullanımı ve katman normalizasyonu, eğitimi stabilize eder ve yakınsamayı artırır. Modelin önemli bir bileşeni, tüm tarihsel değerlere eşit davranmak yerine en alakalı geçmiş veri noktalarını tanımlayan ve önceliklendiren dikkat mekanizmasıdır. Bu, modelin altın fiyat hareketlerindeki önemli kalıpları ve bağımlılıkları yakalamasına olanak tanır. İşlenen bilgiler daha sonra tahmin doğruluğunu artırmak için kalıpları ve ilişkileri daha da iyileştiren bir sinir ağı katmanından geçirilir. Ek olarak model, karmaşık eğilimleri öğrenme ve tahmin performansını iyileştirme yeteneğini güçlendiren birden fazla yığılmış transformatör katmanı içerir. Son olarak, model doğruluğu, Ortalama Kare Hatası (MSE), Kök Ortalama Kare Hatası (RMSE) ve R-kare (R2) gibi performans ölçümleri kullanılarak değerlendirilir. Bu dönüştürücü yaklaşım, finansal zaman serisi verilerindeki hem kısa vadeli hem de uzun vadeli bağımlılıkları verimli bir şekilde yakalayarak hassas altın fiyatı tahmini için oldukça etkili hale getirir.

Giriş özelliklerini normalleştirmek için, aşağıdaki Denklemde gösterildiği gibi Min-Maks ölçeklendirme uygulandı.

x bir özellik değeri olsun, xmin ve xmax özelliğin minimum ve maksimumu41 olsun.

figure-protocol-1

X: Orijinal değer (bugünkü altın fiyatı).
xdk, xmin: o özelliğin eğitim periyodunun minimum ve maksimum değeri.
[a, b]; hedef aralığı (genellikle [0, 1]; bazen [-1, 1]).

Transformatör kodlayıcının çekirdeği, şu şekilde tanımlanan ölçeklendirilmiş nokta-çarpım dikkat mekanizmasıdır40 :

Ortalama kare hatası (MSE)
Model, tahmin edilen ve gerçek değerler arasındaki ortalama kare hatasını (MSE) en aza indirecek şekilde eğitilmiştir42.

MSE = figure-protocol-2

Ortalama karekök hatası (RMSE)
Performans, Ortalama Karekök Hatası (RMSE)43 kullanılarak değerlendirildi ve şu şekilde hesaplandı:

RMSE = figure-protocol-3

Eğitim ve doğrulama



Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Çalışmada, analiz performans ölçümleri geçmiş veriler aracılığıyla değerlendirildi, bu ölçümler, transformatör modelinin gelecekteki altın fiyatlarını ne kadar iyi tahmin ettiğine dair kapsamlı bir resim vermek için kullanıldı.

Şekil 3'te altın fiyatı mum grafiği, önemli kalıpları, piyasa düzeltmelerini ve zaman içindeki istikrarlı aralıkları vurgulayarak fiyat dalgalanmalarının kapsamlı bir görsel temsilini sunmaktadır. Piyasa hareketlerini takip etmeyi kolaylaşt...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışma, altın vadeli işlem fiyatlarını gelişmiş doğruluk ve güvenilirlikle tahmin etmek için finansal verilerin zamanında ve düzenli bir şekilde elde edilmesini sağlayan otomatik bir platform olan UiPath tarafından kazınan verileri kullanan bir transformatör derin öğrenme modeli önerdi. Model, hacim ölçümleri, 30 günlük ve 100 günlük hareketli ortalamalar, trendler, altın fiyat tahmini ve mum çubuğu formasyonları gibi önemli teknik göstergelerle altın fiyatına ilişkin verileri içerir...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların bu araştırma çalışmasında herhangi bir çıkar çatışması yoktur.

Teşekkürler

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

Bu araştırma VIT-AP Üniversitesi, Amaravati, Hindistan tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Veri kaynağıInvesting.comhttps://in.investing.com/commodities/gold-historical-dataInvesting.com, piyasa fiyatları, hisse senetleri, vadeli işlemler vb. hakkında bilgi sağlayan bir finansal piyasa platformudur.   
Transformer Modeli (Google Colab'da uygulanan Python)Google'dahttps://colab.research.google.com/Verilerden içgörü elde etmek amacıyla veri analizi için bir python kaynak kodu geliştirildi ve bu kod bu Google Colab sanal ortamında yürütüldü
UiPath Robotik Süreç Otomasyonu UiPath, Inc.https://www.uipath.comVerileri kaynaktan çıkarmak için kod bu platformda yürütülmüştür.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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: A fractional cointegration VAR approach. Econ Anal Policy. 70, 259-275 (2021).
  3. Li, X., et al. Forecasting regular and extreme gold price volatility: The roles of asymmetry, extreme event, and jump. J Forecast. 40 (8), 1501-1523 (2021).
  4. Kumar, C. S., Mahendran, S. Forecasting gold price based on extreme learning machine. Int J Comput Commun Control. 11 (3), 372(2016).
  5. India gold market insights: Gold demand trends. , World Gold Council. https://www.gold.org/goldhub/research (2023).
  6. Baur, D. G., Lucey, B. M. Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financ Rev. 45 (2), 217-229 (2010).
  7. Dhawan, S. Top 10 investment options. The Economic Times. , https://economictimes.indiatimes.com/wealth/invest/top-10-investment-options/articleshow/64066079.cms (2022).
  8. Reboredo, J. C. Is gold a safe haven or a hedge for the US dollar? Implications for risk management. J Bank Financ. 37 (8), 2665-2676 (2013).
  9. Farhat, S., Ghalayini, L. Modeling and forecasting gold price s. Research Square. , (2020).
  10. Salim, M., Djunaidy, A. Development of a CNN-LSTM approach with images as time-series data representation for predicting gold prices. Procedia Comput Sci. 234, 333-340 (2024).
  11. Gold price forecasting and related influence factors analysis based on random forest. Liu, D., Li, Z. Proc 10th Int Conf Manag Sci Eng Manag, 59, 711-723 (2017).
  12. Marchiv, D. e, Lee, J., Gereffi, G. Globalization, recession and the internationalization of industrial districts: Experiences from the Italian gold jewellery industry. Eur Plan Stud. 22 (4), 866-884 (2014).
  13. Mestre, R. A wavelet approach of investing behaviors and their effects on risk exposures. Financ Innov. 24 (1), 1-37 (2021).
  14. Gold price prediction using random forest algorithm. Landge, U., Phokmare, U., Borane, N., Shelke, P. Proceedings of the 3rd International Conference on Applied Artificial Intelligence and Computing (ICAAIC), , (2024).
  15. Ho, T. T., Vo, T. N. Factors affecting the disparity of Vietnamese gold prices and worldwide gold prices. J Compet. 11 (3), 160-172 (2019).
  16. Aye, G., Gupta, R., Hammoudeh, S., Kim, W. J. Forecasting the price of gold using dynamic model averaging. Int Rev Financ Anal. 41, 257-266 (2025).
  17. Cohen, G., Aiche, A. Forecasting gold price using machine learning methodologies. Chaos Solitons Fractals. 175 (3), 114-179 (2023).
  18. Bandyopadhyay, G. Gold price forecasting using ARIMA model. J Adv Manag Sci. 4 (2), (2026).
  19. Prediction of gold price with ARIMA and SVM. Makala, D., Li, Z. J Phys Conf Ser, 1767 (1), 012-022 (2021).
  20. Prediction of gold price using deep learning. Dhanush, N., et al. IEEE 9th Region 10 Humanitarian Technology Conference (R10-HTC), , IEEE. (2021).
  21. Guo, Y., Li, C., Wang, X., Duan, Y. Gold price prediction using two-layer decomposition and XGBoost optimized by the whale optimization algorithm. Comput Econ. 66, 1157-1189 (2024).
  22. Jin, B., Xu, X. Machine learning gold price forecasting. J Manag Sci Eng Manag. 20 (2), 273-285 (2025).
  23. Sai, S., Giri, A. K., Chamola, V. A novel hybrid random convolutional kernels model for price volatility forecasting of precious metals. Expert Syst. 42 (2), e13738(2025).
  24. Khetan, M. Forecasting gold price and inflation for India and US: An analysis of ARIMA and Holt Winters models. XXXI (2), 255-268 (2024).
  25. Köse, N., Gür, Y. E., Ünal, E. Deep learning and machine learning insights into the global economic drivers of the bitcoin price. J Forecast. 44 (5), 1666-1698 (2025).
  26. He, T. Gold futures price forecast based on artificial intelligence. Advances in Economics, Management and Political Sciences. 174 (1), 27-33 (2025).
  27. Informer: Beyond efficient transformer for long sequence time-series forecasting. Zhou, H., et al. Thirty-Fifth AAAI Conf Artif Intell, , 11106-11115 (2021).
  28. Madziwa, L., Pillalamarry, M., Chatterjee, S. Gold price forecasting using multivariate stochastic model. Resour Policy. 76, 102-544 (2022).
  29. Livieris, I. E., Pintelas, E., Pintelas, P. A CNN-LSTM model for gold price time-series forecasting. Neural Comput Appl. 32 (23), 17351-17360 (2020).
  30. Ghezelbash, A. Predicting changes in stock index and gold prices to neural network approach. J Math Comput Sci. 4 (2), 227-236 (2012).
  31. Research on gold price forecasting based on LSTM and linear regression. Gong, W. SHS Web Conf, 181, 020-105 (2024).
  32. Li, B. Research on WNN modeling for gold price forecasting based on improved artificial bee colony algorithm. Comput Intell Neurosci. 2014, 270658(2014).
  33. Makridou, G., et al. Gold price forecasting with a neuro-fuzzy-based inference system. Int J Financ Eng Risk Manag. 1 (1), 35-54 (2013).
  34. Das, S., Sahu, T. P., Janghel, R. R. Oil and gold price prediction using optimized fuzzy inference system based extreme learning machine. Resour Policy. 79, 103-109 (2022).
  35. Mohtasham Khani, M., Vahidnia, S., Abbasi, A. A deep learning-based method for forecasting gold price with respect to pandemics. SN Comput Sci. 2 (4), 1-12 (2021).
  36. Prediction of gold and silver stock price using ensemble models. Mahato, P. K., Attar, V. IEEE Int Conf Adv Eng Technol Res (ICAETR), , (2014).
  37. Zangana, H. M. Deep learning-based gold price prediction: A novel approach using time series analysis. J Sist Inf. 13 (6), 1-12 (2024).
  38. Zhang, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 50, 159-175 (2003).
  39. Bitcoin price prediction using machine learning. Bandlamuri, R., et al. AIP Conf Proc, 2869 (1), 1-9 (2023).
  40. Attention is all you need. Vaswani, A., et al. Proc 31st Conf Neural Inf Process Syst (NeurIPS), , (2017).
  41. Jain, A., Zongker, D. Feature selection: Evaluation, application, and small sample performance. IEEE Trans Pattern Anal Mach Intell. 19 (2), 153-158 (1997).
  42. Chai, T., Draxler, R. R. Root mean square error (RMSE) or mean absolute error (MAE)? - Arguments against avoiding RMSE in the literature. Geosci Model Dev. 7 (3), 1247-1250 (2014).
  43. Willmott, C., Matsuura, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim Res. 30, 79-82 (2025).
  44. Adam: A method for stochastic optimization. Kingma, D. P., Ba, J. L. 3rd Int Conf Learn Represent (ICLR), , (2015).
  45. Abadi, D., et al. TensorFlow: A system for large-scale machine learning. ArXiV. , (2016).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Alt n Fiyat TahminiTransformer ModeliWeb Kaz maUiPath OtomasyonuFinansal PiyasalarZaman Serisi ng r sEkonomik G stergelerPiyasa TrendleriTahmin Do rulu u

İlgili makaleler