RESUMEN:

No es trivial predecir los precios de los metales preciosos ya que una serie de factores pueden
afectar

las fluctuaciones de los precios de los metales preciosos. Los modelos paramétricos o los
modelos de aprendizaje automático no pueden

pronosticar con precisión los precios de los metales preciosos. Aunque los enfoques de
aprendizaje profundo muestran sus fortalezas en

extrayendo características clave de datos complicados, tienen las limitaciones de aprender la

localización y perder

algunas características temporales y espaciales. Los avances recientes en los mecanismos de

atención traen las oportunidades

para superar la limitación de los modelos de aprendizaje profundo. En este artículo,

originalmente proponemos una Regularización

Modelo de regresión de autoatención para la predicción de precios de metales preciosos. En

particular, el RSAR propuesto

El modelo consiste en un componente de red neuronal convolucional (CNN) y un componente

de memoria neuronal a largo plazo corto.

Componente de redes (LSTM). Al integrarse con el mecanismo de autoatención, este modelo

puede extraer ambos

características espaciales y temporales de los datos de precios de metales preciosos. Mientras

tanto, la configuración adecuada de

las funciones de regularización también pueden conducir a una mayor mejora del rendimiento.
Extensos experimentos

en un conjunto de datos realistas de precios de metales preciosos muestran que nuestro

enfoque propuesto supera a otros convencionales

aprendizaje automático y métodos de aprendizaje profundo

D. MÓDULOS AUXILIARES

Con el fin de controlar el orden secuencial y capturar el espacio

características del precio diario de los metales preciosos. En este papel, nosotros

también emplean una capa LSTM y una capa CNN como auxiliar

módulos en modelo RSAR. Te presentamos más detalles sobre

ellos de la siguiente manera.

1) capa LSTM

Elegimos un componente LSTM para procesar la secuencia de tiempo T que consiste en la

secuencia de entrada S(xT +1), S(xT +2), · · · , S(xT +7). Seleccionamos β como un parámetro
ajustable en el experimento, donde β denota el número de LSTM capas.

2) capa de convolución

Empleamos una capa de convolución para capturar las características espaciales. del precio
diario de los metales preciosos para nuestro modelo RSAR propuesto. También seleccionamos
γ como parámetro ajustable en la CNN componente, donde γ denota el número de filtros en
una capa convolucional, como se muestra en la Fig. 1.

La convolución capa, que consiste esencialmente en un componente CNN, puede extraer las
características espaciales globales. Siguiendo la convolución capa, también aprovechamos una
capa de agrupación máxima, que puede ser Se utiliza para reducir el número de parámetros y
características y evitar el ajuste excesivo.

A. CONFIGURACIÓN DEL EXPERIMENTO

1) Descripción del conjunto de datos: Obtenemos los precios de los metales preciosos

de Macrotendencias. En particular, seleccionamos los precios del oro y

Precios del paladio para el análisis. Por lo tanto, los conjuntos de datos experimentales
contienen (i) conjuntos de datos diarios del precio del oro, (ii) conjuntos de datos diarios

conjunto de datos del precio del paladio. El precio diario se representa esencialmente en
diferentes monedas (por ejemplo, dólar estadounidense, EUR, RMB,

dólar de Hong Kong) por onza (es decir, oz). Para unificar el análisis,

elija el precio en dólares estadounidenses por onza en los días de negociación para

realizar análisis de predicción.

2) Configuración del modelo: en nuestro experimento, arreglamos la ventana longitud sea α =

7 en el preprocesamiento de datos. Por lo tanto, hay 7 valores de precio en cada matriz de
entrada. además, el los pesos de la red se barajan para la inicialización a través de una
truncada distribución normal (µ = 0 y desviación estándar σ = 1,0). Además, para mejorar la
eficiencia del entrenamiento, arreglamos el tamaño del lote en el entrenamiento establecido
en 80 y el número de entrenamiento épocas en 100.

3) Métricas de desempeño: Para comparar las propuestas enfoque con otros modelos de
referencia, adoptamos cuatro métricas de rendimiento: error cuadrático medio (RMSE), media
error absoluto (MAE) y error porcentual absoluto medio (MAPE) y pérdida. RMSE de un
modelo es la desviación estándar de los residuos entre los valores predichos y los valores
observados [34]. MAE representa una medida de diferencia entre dos variables continuas y
calcule el promedio de todos errores absolutos. MAPE representa una medida de predicción
CONCLUSIÓN V

En este artículo, proponemos el modelo de regresión de autoatención de regularización

(modelo RSAR) para el análisis diario de metales preciosos.

previsión de precios. Nuestro modelo propuesto consiste principalmente en

Componente LSTM, componente CNN y Regularización

Autoatención. En particular, el mecanismo RSA puede mejorar

el rendimiento mediante el empleo de funciones de regularización (es decir,

L1 y L2).

Mientras tanto, los módulos LSTM y CNN pueden ayudar a extraer características de series
temporales y espaciales de conjunto de datos de precios de metales preciosos. También
llevamos a cabo extensos experimentos para evaluar el desempeño del modelo propuesto.

con la comparación con otros métodos ML y DL existentes.

Los resultados muestran que nuestro modelo propuesto supera los métodos convencionales
de ML y DL como ARIMA, SVR, CNN

y LSTM. Con respecto a las direcciones futuras, investigaremos

la mejora del rendimiento del modelo propuesto a través de

ajustando diferentes números de capas LSTM y CNN cuando

teniendo en cuenta diferentes tipos de datos financieros.