وتحليل الاتجاه في التنبؤ بأسعار الذهب بالدولار الأمريكي دراسة تحليلية للفترة من 2010 إلى2024 LSTM مقارنة فعالية
محمد مصطفي عبد العالي عبد الجواد ، مجدي رمضان بوسيف المتخطري
الملخص
تهدف هذه الدراسة إلى مقارنة فعالية نموذج LSTM وأداة تحليل الاتجاه التقليدية في التنبؤ بأسعار الذهب بالدولار الأمريكي خلال الفترة الممتدة من 2010 إلى 2024. تعتمد الدراسة على مجموعة بيانات تاريخية تشمل التاريخ وسعر الذهب. تمحورت الدراسة حول تحليل أداء نموذج LSTM مقارنة بأداة تحليل الاتجاه التقليدية لفهم التغيرات في أسعار الذهب وتقديم توقعات دقيقة.
كشفت النتائج عن تفوق نموذج LSTM بشكل ملحوظ على أداة تحليل الاتجاه التقليدية في دقة التنبؤ. عند تحويل القيم إلى نسب مئوية، تبين أن نموذج LSTM كان أكثر دقة بنسبة 29.7% في جذر متوسط مربع الخطأ (RMSE) و25.6% في متوسط الخطأ المطلق (MAE) مقارنةً بأداة تحليل الاتجاه التقليدية. يعزى هذا التفوق إلى قدرة نموذج LSTM على معالجة البيانات الزمنية والتسلسلية بفعالية، مما يمكنه من فهم الأنماط المعقدة في البيانات وتقديم توقعات أكثر دقة. تميز نموذج LSTM بقدرته على التعلم من الأنماط التاريخية طويلة الأمد، مما يوفر دقة أعلى في التنبؤات مقارنة بالنماذج التقليدية.
الكلمات المفتاحية: التنبؤ بأسعار الذهب، نموذج LSTM، تحليل الاتجاه، البيانات الزمنية، التحليل المالي.
Comparing the Effectiveness of the LSTM Model and Trend Analysis in Predicting Gold Prices in US Dollars: An Analytical Study for the Period from 2010 to 2024
Mohamd MA Abdellgoad, Magdi R B Elmtkhtri
1Information Technology, Higher Institute of Science and Technology / Amsad, Libya.
Email: astef_li@yahoo.com
2 Management & financial sciences, Higher Institute of Science and Technology / Amsad, Libya
Email: Magdibosif@Gmail.com
:Abstract
This study aims to compare the effectiveness of the LSTM model and traditional trend analysis in predicting gold prices in US dollars over the period from 2010 to 2024. The study relies on a historical dataset that includes the date and the price of gold. The focus is on analyzing the performance of the LSTM model compared to the traditional trend analysis tool to understand changes in gold prices and provide accurate forecasts. The results revealed that the LSTM model significantly outperforms the traditional trend analysis tool in forecasting accuracy. When the values were converted into percentages, the LSTM model was found to be 29.7% more accurate in root-mean-square error (RMSE) and 25.6% more accurate in mean absolute error (MAE) compared to the traditional trend analysis tool. This superiority is attributed to the LSTM model’s ability to effectively process temporal and sequential data, enabling it to understand complex patterns in the data and make predictions that are more accurate. The LSTM model was able to learn from long-term historical patterns, providing higher forecast accuracy than traditional models.
Keywords: Gold price forecasting, LSTM model, trend analysis, time series data, financial analysis
References
Shafiee, S., & Topal, E. (2010). An overview of global gold market and gold price forecasting. Resource Policy, 35(3), 178-189.
Raghuram, K. S. “Statistical, machine learning predictive analytics and the impact of stock market indicators in predicting gold prices.” [No publication date available
Khani, M. M., Vahidnia, S., & Abbasi, A. (2020). “A deep learning based methods for forecasting gold price with respect to pandemics.”
Manjula, K. A., & Karthikeyan, P. (2019). “Gold price prediction using ensemble based machine learning techniques.” 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), IEEE.
Murphy, J. J. (1999). “Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications.” New York Institute of Finance.
Hochreiter, S., & Schmidhuber, J. (1996). “LSTM can solve hard long time lag problems.” Proceedings of the 9th International Conference on Neural Information Processing Systems (NIPS’96), Cambridge, MA, USA: MIT Press, pp. 473-479.
Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). “Learning to Forget: Continual Prediction with LSTM.” Neural Computation, 12(10), 2451-2471. doi:10.1162/089976600300015015.
Shahriar, S., & Topal, E. (2010). “Resources policy.” vol. 35, no. 3.
Naliniprava, T. (2017). “International Journal of Economics and Financial Issues.” vol. 7, no. 4.
Guha, B., & Bandyopadhyay, G. (2016). “Journal of Advanced Management Science.” vol. 4, no. 2.
Georgia, M., et al. (2013). “International Journal of Financial Engineering and Risk Management.” vol. 2, no. 1.
Hadavandi, E., Ghanbari, A., & Abbasian-Naghneh, S. (2010). “Developing a time series model based on particle swarm optimization for gold price forecasting.” Third International Conference on Business Intelligence and Financial Engineering, IEEE.
Liu, D., & Li, Z. (2017). “Gold price forecasting and related influence factors analysis based on random forest.” Proceedings of the Tenth International Conference on Management Science and Engineering Management, Springer Singapore.
Madziwa, L., et al. (2022). “Resources Policy.” vol. 76.
Li, B. (2014). “Computational intelligence and neuroscience.”
Chen, Y. C., & Huang, W. C. (2021). “Applied Soft Computing.” vol. 112.
Verma, S., et al. (2020). “IAES International Journal of Artificial Intelligence.” vol. 9, no. 1.
Mohtasham Khani, M., et al. (2021). “SN Computer Science.” vol. 2, no. 4.