Золото в сети: Прогноз цен с помощью искусственного интеллекта

Автор: Денис Аветисян

Новая модель, сочетающая глубокое обучение и оптимизацию, демонстрирует высокую точность прогнозирования цен на золото и потенциал для прибыльной торговли.

☕️

Читаем отчёты, пьём кофе, ждём дивиденды. Если тебе надоел хайп и ты ищешь скучную, но стабильную гавань — добро пожаловать.

Бесплатный Телеграм канал

Алгоритм, представленный на рисунке, осуществляет прогнозирование временных рядов, используя рекуррентные нейронные сети LSTM для ежедневных и ежемесячных предсказаний, объединяемых посредством многослойного персептрона, что позволяет генерировать стратегии торговли, основанные на анализе данных.

Исследование объединяет LSTM-сети и многослойные перцептроны, оптимизированные алгоритмом Gray Wolf, для анализа финансовых временных рядов и макроэкономических показателей.

Прогнозирование динамики финансовых рынков, в частности золота, традиционно сопряжено с высокой степенью неопределенности из-за сложности взаимосвязей между экономическими и политическими факторами. В данной работе, посвященной ‘Gold Price Prediction Using Long Short-Term Memory and Multi-Layer Perceptron with Gray Wolf Optimizer’, предложена гибридная модель на основе LSTM и MLP сетей, оптимизированная алгоритмом Gray Wolf Optimizer, для повышения точности прогнозирования цен на золото. Разработанный подход позволил достичь доходности в 171% в ходе симуляции торговой стратегии, а также продемонстрировать низкие значения ошибок прогнозирования — до $0.21 для дневных и $22.23 для месячных цен. Возможно ли дальнейшее совершенствование данной модели за счет интеграции дополнительных макроэкономических показателей и адаптации к изменяющимся рыночным условиям?

Поиск закономерностей в хаосе: Пределы традиционного прогнозирования

Точность прогнозирования цены на золото имеет первостепенное значение для инвесторов, однако традиционные модели временных рядов часто оказываются неэффективными из-за присущей рынку волатильности и сложности. Эти модели, как правило, опираются на упрощенные линейные зависимости и не способны адекватно учитывать взаимодействие макроэкономических факторов с краткосрочными техническими индикаторами. Рынок золота характеризуется нелинейным поведением и подвержен влиянию широкого спектра непредсказуемых событий, таких как геополитические риски, изменения в процентных ставках и колебания валютных курсов. Вследствие этого, стандартные статистические методы, хорошо работающие в более стабильных условиях, часто дают неточные результаты, что создает значительные риски для инвесторов и затрудняет принятие обоснованных решений.

Традиционные методы прогнозирования цены золота зачастую опираются на упрощенные линейные зависимости, что не позволяет адекватно отразить сложность рыночной динамики. Существующие модели нередко игнорируют взаимосвязь между макроэкономическими факторами, такими как инфляция, процентные ставки и геополитическая обстановка, и краткосрочными техническими индикаторами, отражающими поведение трейдеров и объемы торгов. Этот подход приводит к неспособности выявлять скрытые закономерности и своевременно реагировать на изменения рыночной конъюнктуры, что, в конечном итоге, снижает точность прогнозов и увеличивает риски для инвесторов. Недооценка комплексного взаимодействия этих факторов является ключевым ограничением для большинства общепринятых методов анализа.

В связи со сложностью и изменчивостью рынка золота, традиционные методы прогнозирования оказываются недостаточно эффективными. Возникает потребность в разработке более усовершенствованных прогностических моделей, способных выявлять едва заметные закономерности и адаптироваться к постоянно меняющимся условиям. Такие системы должны учитывать не только прошлые данные, но и сложные взаимодействия между макроэкономическими факторами и краткосрочными техническими индикаторами. Успешная реализация подобных моделей требует применения передовых алгоритмов машинного обучения и глубокого анализа больших объемов данных, что позволяет более точно предсказывать колебания цен и обеспечивать инвесторам более надежные возможности для принятия решений.

Разработанная модель продемонстрировала выдающиеся результаты, обеспечив 173% доходность за период в три месяца в рамках демонстрационного торгового счета. Этот показатель свидетельствует о способности алгоритма эффективно выявлять и использовать возможности на рынке золота, превосходя традиционные подходы к прогнозированию. Полученные данные подтверждают потенциал модели в качестве надежного инструмента для инвесторов, стремящихся к максимизации прибыли в условиях высокой волатильности и сложности данного рынка. Успешное тестирование в демо-режиме является важным шагом на пути к внедрению модели в реальную торговлю и подтверждает её практическую ценность.

Торговая стратегия, основанная на сигналах модели, обеспечила приблизительную доходность в 172-173% за три месяца.

Двойной горизонт: LSTM-сети для прогнозирования во времени

В рамках данной методологии для анализа временных зависимостей в данных о ценах на золото используются сети долгой краткосрочной памяти (LSTM). Применяется двойной подход, предусматривающий использование отдельных LSTM-сетей для обработки месячных и дневных данных. LSTM, обученная на месячных данных, предназначена для выявления долгосрочных трендов, в то время как LSTM, использующая дневные данные, ориентирована на краткосрочные колебания и внутридневную динамику цен. Такое разделение позволяет учитывать различные временные горизонты и повысить точность прогнозирования по сравнению с моделями, использующими данные только одного временного масштаба.

Для моделирования долгосрочных трендов в ценах на золото, месячная LSTM-сеть использует широкий спектр макроэкономических показателей, включая данные об инфляции, процентных ставках, ВВП и валютных курсах. В то время как, ежедневная LSTM-сеть фокусируется на краткосрочных технических индикаторах, таких как скользящие средние, индекс относительной силы (RSI) и объем торгов, а также анализирует внутридневные колебания цен для прогнозирования изменений в течение дня. Такое разделение позволяет учесть как фундаментальные факторы, определяющие долгосрочное направление цены, так и краткосрочную динамику, обусловленную рыночными настроениями и спекуляциями.

Использование двух моделей LSTM, ориентированных на различные временные горизонты — месячный и дневной — позволяет повысить надежность и точность прогнозирования цен на золото по сравнению с моделями, использующими единственный горизонт. Месячная модель учитывает макроэкономические показатели, обеспечивая анализ долгосрочных трендов, в то время как дневная модель фокусируется на краткосрочных технических индикаторах и внутридневной динамике цен. Комбинирование этих двух перспектив позволяет учесть как фундаментальные, так и технические факторы, влияющие на цену, что снижает чувствительность к отдельным непредсказуемым событиям и повышает общую устойчивость прогнозов.

Оптимизация архитектуры LSTM-сетей осуществлялась с применением алгоритма Gray Wolf Optimizer (GWO) для определения оптимального количества нейронов в каждом слое. GWO представляет собой метаэвристический алгоритм, имитирующий поведение волчьих стай в процессе охоты. В данном контексте, каждый «волк» соответствует потенциальному решению — конфигурации LSTM-сети с определенным количеством нейронов. Алгоритм итеративно обновляет положение каждого «волка» на основе его собственной позиции и позиции лучших «волков» в стае, стремясь к минимизации функции потерь, рассчитанной на валидационном наборе данных. Использование GWO позволило автоматизировать процесс подбора гиперпараметров, избежав трудоемкого ручного поиска и обеспечив более эффективную настройку архитектуры LSTM для прогнозирования цен на золото.

Предложенный алгоритм, сочетающий LSTM-сети для суточных и месячных прогнозов с MLP-сетью для их объединения, позволяет получать точные предсказания максимальных, минимальных и закрывающих цен.

Слияние горизонтов: Достижение превосходной точности

Для комбинирования прогнозов, полученных от ежедневной и ежемесячной LSTM-сетей, используется многослойный перцептрон (MLP). Ежедневная LSTM-сеть эффективно прогнозирует краткосрочные колебания цен, в то время как ежемесячная LSTM-сеть лучше учитывает долгосрочные тренды. MLP выполняет роль взвешенного агрегатора, динамически определяя вклад каждой LSTM в итоговый прогноз. Такой подход позволяет использовать сильные стороны каждой сети, компенсируя их недостатки и повышая общую точность прогнозирования за счет адаптации к меняющимся рыночным условиям.

Многослойный персептрон (MLP) используется для взвешенного объединения прогнозов, полученных от дневной и месячной LSTM-сетей. MLP динамически регулирует вклад каждой LSTM в итоговый прогноз, что позволяет модели адаптироваться к изменяющимся рыночным условиям. В периоды высокой волатильности, MLP может увеличить вес LSTM, обученной на более коротком временном горизонте (дневной LSTM), для более оперативного реагирования на текущие изменения. И наоборот, в периоды стабильности, больший вес может быть присвоен месячной LSTM, использующей более долгосрочные тенденции. Такая адаптивная схема взвешивания способствует повышению общей точности прогнозирования по сравнению с использованием каждой LSTM-сети по отдельности или фиксированной схемы взвешивания.

Эффективность предложенной гибридной модели была тщательно оценена с использованием метрик Root Mean Squared Error (RMSE) и Mean Absolute Error (MAE). Результаты сравнительного анализа показали значительное превосходство нашей модели над базовыми моделями, такими как Backpropagation и Radial Basis Function Networks. Данные метрики позволяют объективно оценить отклонение прогнозов от фактических значений, демонстрируя, что предложенный подход обеспечивает более точные прогнозы по сравнению с альтернативными методами машинного обучения.

В процессе тестирования гибридной модели, точность прогнозирования минимальной дневной цены золота составила 0.23 по показателю Mean Absolute Error (MAE) и 0.23 по показателю Root Mean Squared Error (RMSE). Для прогнозирования максимальной месячной цены золота, значение Root Mean Squared Error (RMSE) составило 29.31. Данные показатели были получены в результате оценки эффективности модели на тестовом наборе данных и демонстрируют ее способность к точной предсказании ценовых экстремумов.

Для повышения точности прогнозирования ежедневной цены золота применялась предварительная обработка данных с использованием Эмпирического Модельного Разложения (EMD). EMD позволяет разложить исходный временной ряд на конечное число Интринсичных Модовых Функций (IMF), представляющих различные временные шкалы и частоты колебаний. Данное разложение позволило выделить и отфильтровать шум, а также выделить доминирующие тренды в данных о ценах, что привело к более стабильной и точной работе модели прогнозирования. Использование IMF в качестве входных данных для LSTM сети позволило модели лучше адаптироваться к нелинейным зависимостям в данных и снизить влияние случайных колебаний.

Оптимизация количества нейронов в подсетях MLP для различных стратегий слияния демонстрирует, что высокая (слева), близкая (посередине) и низкая (справа) плотность нейронов влияют на эффективность слияния.

Практическое применение: Данные как основа торговой стратегии

Разработана торговая стратегия, основанная на прогнозах цены золота, полученных в результате интеграции рекуррентной нейронной сети LSTM и многослойного перцептрона MLP. Данная стратегия использует окончательные прогнозы модели для принятия решений о покупке или продаже, стремясь извлечь выгоду из краткосрочных колебаний цены. В ее основе лежит алгоритмический подход, позволяющий автоматизировать процесс торговли и минимизировать влияние человеческого фактора. Построение стратегии требовало тщательной калибровки параметров модели и оптимизации правил принятия решений, что позволило создать систему, способную адаптироваться к динамике рынка и генерировать потенциально прибыльные сигналы.

Для эффективного управления рисками и увеличения потенциальной прибыли, разработанная торговая стратегия использует заранее определенные уровни целей по прибыли и стоп-лосса. Уровни прибыли фиксируют момент, когда позиция закрывается для получения гарантированной выгоды, в то время как стоп-лосс ограничивает потенциальные убытки, автоматически закрывая позицию при достижении неблагоприятного ценового уровня. Такой подход позволяет алгоритмически контролировать соотношение риска к прибыли, избегая значительных потерь и максимизируя возможности получения дохода даже в условиях волатильности рынка. Четкое определение этих параметров является ключевым элементом стратегии, обеспечивающим стабильность и предсказуемость результатов.

Результаты проведенного анализа демонстрируют значительный потенциал разработанного подхода к прогнозированию цен на золото, превосходящий традиционные методы торговли. В ходе тестирования алгоритмической стратегии, основанной на интегрированной LSTM-MLP модели, зафиксирована устойчивая прибыльность и способность генерировать доходность, не зависящую от субъективных оценок и интуиции трейдеров. Постоянное превосходство над стандартными подходами подтверждает эффективность использования данных и машинного обучения для принятия обоснованных инвестиционных решений и оптимизации торговых операций, открывая новые возможности для автоматизации и повышения эффективности на финансовых рынках.

В ходе тестирования разработанная торговая стратегия, основанная на прогнозах интегрированной LSTM-MLP модели, продемонстрировала впечатляющую прибыльность. За период в три месяца в демо-счете удалось добиться возврата в 173%, что свидетельствует об эффективности алгоритмического подхода к торговле золотом. Полученные результаты подтверждают потенциал использования данных и машинного обучения для получения стабильной прибыли на финансовых рынках и превосходят традиционные методы, не опирающиеся на предиктивную аналитику. Такой значительный возврат инвестиций указывает на перспективность дальнейшего развития и оптимизации данной стратегии.

В дальнейшем планируется расширение области применения разработанной методологии на другие финансовые рынки, включая рынки акций, валюты и сырьевых товаров. Исследователи намерены изучить возможности интеграции альтернативных источников данных, таких как новостные ленты, социальные сети и спутниковые снимки, для повышения точности прогнозов и улучшения показателей торговой стратегии. Особое внимание будет уделено адаптации модели к различным рыночным условиям и разработке механизмов автоматической оптимизации параметров стратегии в режиме реального времени. Предполагается, что расширение набора используемых данных и рынков позволит значительно увеличить потенциал данной методологии и создать универсальную систему для автоматизированной торговли.

Оптимизация количества нейронов для ежедневных LSTM подсетей показала различия в производительности для высоких (слева), близких (посередине) и низких (справа) сценариев.

Исследование, представленное в данной работе, демонстрирует стремление к глубокому пониманию сложных систем, лежащих в основе финансовых рынков. Авторы не просто предлагают модель прогнозирования цены золота, но и используют оптимизационный алгоритм, вдохновленный природой — Серым Волком, для достижения максимальной точности. Как однажды заметил Карл Фридрих Гаусс: «Если вы не знаете, что ищете, то не найдете ничего». Эта фраза отражает суть подхода, реализованного в статье: тщательный анализ и оптимизация каждого компонента системы для достижения конкретной цели — точного прогнозирования и получения прибыли в симулированной торговой среде. Особое внимание к комбинированию LSTM и MLP сетей подчеркивает стремление к созданию надежной и адаптивной модели, способной учитывать сложные временные зависимости и нелинейные взаимосвязи в данных.

Куда дальше?

Представленная работа, как и любой патч в сложной системе, лишь констатирует несовершенство текущего алгоритма предсказания. Достигнутая точность, безусловно, впечатляет в симуляции, однако рынок — это не песочница, а хаотичная реальность, где «белые вороны» — закономерность. Следующим шагом представляется не столько улучшение архитектуры нейронных сетей, сколько углубление понимания тех макроэкономических факторов, которые, по сути, являются «черным ящиком» для любой модели. Иными словами, необходимо реверс-инжиниринг причинно-следственных связей, а не просто оптимизация параметров.

Особый интерес представляет отказ от упрощающих предположений о стационарности временных рядов. Рынок золота, как и любая сложная система, подвержен фрактальным колебаниям и нелинейным зависимостям. Модели, способные учитывать эти факторы, могут оказаться значительно более устойчивыми к «черным лебедям» и внезапным изменениям рыночной конъюнктуры. Важно понимать, что каждая «оптимизация» — это признание того, что идеальной модели не существует, и что любая предсказательная сила — лишь временное приближение к истине.

В конечном итоге, лучший «хак» — это осознание того, как всё работает, а не просто слепое следование алгоритмам. Именно в этом парадоксе и заключается истинная ценность исследований в области финансового прогнозирования. Ведь, как известно, даже самый совершенный инструмент бесполезен в руках того, кто не понимает принципов его работы.

Оригинал статьи: https://arxiv.org/pdf/2512.22606.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-30 18:02