مدل یادگیری ماشین TALOS ML : پیش بینی قیمت طلا هفته منتهی به ۲۹ اوت ۲۰۲۵
گزارش هفتگی مدل یادگیری ماشین TALOS ML — پیش بینی قیمت طلا برای هفته معاملاتی ۱-۵ سپتامبر ۲۰۲۵
جدول عملکرد مدل
|
Metric |
Value |
|
Direction |
DOWN |
|
Friday Close (Actual) |
۳۴۴۷.۷۷ |
|
Monday Forecast (Predicted) |
۳۳۷۰.۵۹ |
|
Prediction Error |
−۷۷.۱۸ |
|
Validation RMSE |
۳۶.۰۷ |
|
Test RMSE |
۴۱.۳۴ |
|
Relative RMSE (vs. Friday Close) |
≈ ۱.۰۵% |
|
Epochs Trained |
۱۰۰ |
|
Final Loss (val_loss) |
۰.۰۰۰۵۸۹ |
|
Model Input Shape |
(۳۰, ۱۵) |
|
Model Type |
Stacked LSTM (2 layers) |
| Average Gold Price |
۳۴۴۷.۷ از Friday Close به‌عنوان میانگین تقریبی استفاده شده است |
توضیح:
- RMSE خطای ریشه میانگین مربعات در مقیاس قیمت است؛ ۳۶–۴۱ دلار روی سطح ~۳۴۰۰ دلار یعنی حدود ۱٪ خطا که برای سری‌های مالی نویزی، مناسب ارزیابی می‌شود.
- Prediction Error فعلاً اختلاف Forecast دوشنبه با قیمت بسته‌شدن جمعه است؛ چون Forecast برای روز دوشنبه آینده است، هنوز این عدد را نمی‌توان «خطای مدل» دانست.
- Final Loss از بهترین/نهایی val_loss گزارش شده و نشان‌دهنده همگرایی مناسب در یادگیری است.
ساختار فنی مدل و داده‌های ورودی (۱۵ ویژگی) + اهمیت DXY
ورودی مدل دقیقاً چیست؟
- «۳۰, ۱۵» یعنی برای هر نمونه، ۳۰ روز پشت‌سرهم را نگاه می‌کنیم و در هر روز ۱۵ عدد به مدل می‌دهیم.
- این ۱۵ عدد از چند خانوادهٔ ساده می‌آیند تا هم رفتار درونی قیمت را پوشش دهند، هم تصویر «دلار و بازارهای مرتبط» را.
۱۵ ویژگی با زبان ساده
- قیمت و بازده‌ها: Close/Open/High/Low و چند مشتق خیلی دم‌دستی مثل بازده ۱روزه و ۵روزه.
- نوسان و روند: یک معیار نوسان (مثلاً انحراف معیار ۱۰روزه یا TR%) و چند شاخص روند/مومنتوم مثل MA/EMA و RSI.
- سیگنال‌های جمع‌وجور: مثل نسبت MA20 به MA50 یا کراس سادهٔ میانگین‌ها که فقط می‌گوید «روند بیشتر صعودی است یا نزولی».
- متغیرهای بیرونی سبک: DXY به‌عنوان ستون اصلی بیرونی + یکی‌دو پروکسی ارزان و دردسترس (مثل EURUSD، USDJPY یا نفت) برای درک فاز کلان.
- تقویمی/ساختاری: یک کد سادهٔ روز هفته (مثلاً دوشنبه/جمعه) چون رفتار اول هفته و آخر هفته گاهی فرق دارد.
هدف از این ترکیب، ساده‌گرفتن اما کامل‌دیدن است: کمی از «خود قیمت»، کمی از «دلار»، کمی از «بازارهای نزدیک»، و یک نشانهٔ کوچک از «الگوی زمانی».
پیش‌پردازش خیلی مهم اما ساده
- یکسان‌سازی زمان‌ها: همهٔ نمادها را روی یک بسته‌شدن روزانه در نظر می‌گیرد تا جلو‌نگری (Leakage) نشود.
- حذف کندل‌های یکشنبه و پرکردن خلأها با روش محدود (ffill کوتاه) تا داده تمیز بماند.
- نرمال‌سازی روی Train فقط: هر ویژگی را روی دادهٔ آموزش نرمال می‌کند و همان تبدیل را به ولید/تست می‌زند تا عددها هم‌مقیاس باشند.
اهمیت DXY — چرا این‌قدر کلیدی است و چطور درست از آن استفاده کنیم؟
چرا اصولاً DXY اثر دارد؟
- کانال قیمت‌گذاری: طلا به دلار قیمت‌گذاری می‌شود؛ وقتی دلار قوی می‌شود، با همان مقدار دلار معمولاً طلا پایین‌تر دیده می‌شود.
- کانال زمانی/خبری: خبرهای بزرگ آمریکا (CPI، NFP، FOMC) معمولاً اول دلار را تکان می‌دهد؛ واکنش طلا گاهی با تاخیر ۰ تا ۱ روز کامل می‌شود. این یعنی DXY می‌تواند یک قدم جلوتر به مدل سرنخ بدهد.
رابطه همیشه معکوس است؟
معمولاً بله؛ اما استثنا دارد. در ریسک‌گریزی شدید ممکن است هم دلار قوی شود، هم طلا به‌عنوان پناهگاه امن بالا برود. برای همین ما فقط به «سطح DXY» نگاه نمی‌کنیم، بلکه سه نما را با هم می‌دهیم:
- سطح نسبی مثلاً z-score روی ۶۰ روز تا بفهمیم دلار «بالای معمول» است یا «پایین معمول».
- تغییرات کوتاه‌مدت (بازده ۵روزه) تا بفهمیم حرکت تازه است یا نه.
- شیب/مومنتوم مثلاً شیب EMA10 تا بفهمیم روند رو به تقویت است یا افت.
چه زمانی اثر DXY قوی‌تر می‌شود؟
- وقتی DXY خیلی بالاتر از میانگین اخیر است (مثلاً بیش از +۱ انحراف معیار).
- وقتی بازده اوراق آمریکا رو به بالا است (هزینه فرصت نگهداری طلا بالاتر می‌رود).
در این زمانبندی‌ها، مدل منطقی است که وزن ذهنی بیشتری به DXY بدهد و احتمال سناریوی نزولی طلا را بالاتر ببیند.
نکات اجرایی ساده ولی حیاتی برای DXY
- هم‌ترازی زمانی: مطمئن می‌شویم قیمت روزانهٔ DXY و XAU روی یک «برش روز» بسته می‌شوند؛ اگر DXY را دیرتر بخوانیم، ناخواسته به مدل خبر آینده داده‌ایم.
- نرمال‌سازی: DXY را مثل بقیهٔ ویژگی‌ها z-score روی Train می‌کنیم تا مقیاس‌ها منصفانه شوند.
- تعدد نماها: استفاده همزمان از سطح+تغییر+شیب باعث می‌شود مدل فقط به «یک عدد» تکیه نکند.
- Lag آزمایشی: یک نسخهٔ Lag=1 از تغییرات DXY را هم تست می‌کنیم؛ گاهی مدل با این کار سرنخ زمانی بهتری می‌گیرد.
- کنترل همبستگی: DXY و EURUSD معمولاً برعکس هم‌اند. اگر ببینیم همبستگی‌شان خیلی بالا است، یکی را حذف می‌کنیم یا وزن یکی را کم در نظر گرفته تا دوبل‌شماری نشود.
مثال شهودی
- فرض کنید جمعه DXY جهش کرده ولی قیمت طلا هنوز کامل واکنش نداده است. دوشنبه اگر خبر جدیدی نباشد، مدل انتظار دارد طلا بخشی از آن جهش دلار را جبران نزولی کند؛ همین منطق است که باعث سیگنال DOWN می‌شود. اگر برعکس، DXY افت کرده باشد، مدل احتمال می‌دهد طلا فاصله را رو به بالا پوشش دهد.
جمع‌بندی عملی
- ترکیب «قیمت/نوسان/مومنتوم + DXY + کراس‌مارکت سبک + سیگنال‌های ساده» برای ۱۵ ویژگی، ساده اما کامل است.
- DXY همان متغیری است که اغلب «نخستین سرنخ» را دربارهٔ جهت هفته به ما می‌دهد؛ کافی است زمان‌بندی و نرمال‌سازی را درست انجام دهیم تا مدل از آن بهترین استفاده را بکند.
تحلیل اختلاف قیمت واقعی و مقدار پیش‌بینی‌شده
- مدل پیش‌بینی کرده است ۳۳۷۰.۵۹ برای دوشنبه؛ درحالی‌که Friday Close برابر ۳۴۴۷.۷۷ بوده است، بنابراین Prediction Error = −۷۷.۱۸ ( کاهش پیشنهادی نسبت به آخرین کلوز)
- با توجه به Validation RMSE ≈ ۳۶ دلار، فاصلهٔ ۷۷ دلاری بیش از ۲×RMSE نیست اما جهت‌دار است (سیگنال نزولی). این یعنی مدل حرکت نزولی معناداری را برای شروع هفته محتمل می‌داند.
- از دید ریسک عملیاتی، اگر بازار دوشنبه با گپ باز شود یا خبر ماکرو غیرمنتظره برسد، امکان Lag یا جبران بخشی از این فاصله در سه‌شنبه/چهارشنبه وجود دارد.
زمان اعتبار پیش بینی قیمت طلا و قضاوت دربارهٔ خطا
تأکید مهم: قیمت پیش‌بینی‌شده مربوط به دوشنبهٔ آتی است. تا وقتی کلوز دوشنبه (و ترجیحاً سه‌شنبه) شکل نگیرد، این اختلاف خطای مدل محسوب نمی‌شود. در بسیاری از تست‌ها، خروجی مدل ممکن است ۱–۲ روز تأخیر در تحقق جهت داشته باشد.
لینک مربوط به پیش بینی قیمت طلا با استفاده از مدل یادگیری ماشین TALOS در گذشته بازار.
یادآوری دقت تاریخی
در بک‌تست‌های قبلی این پروژه، دقت جهت‌گیری ~۸۳٪ و Relative RMSE زیر ۱.۵٪ گزارش شده است؛ با این ملاحظه که Lag ۱–۲ روزه در برخی هفته‌ها دیده می‌شود. این ارقام تاریخی‌اند و ممکن است با تغییر رژیم بازار/داده به‌روزرسانی شوند.
نکات نهایی + هشدار حرفه‌ای
- این هفته سیگنال اصلی مدل نزولی (DOWN) است و با RRMS≈۱% از منظر خطای نسبی در محدودهٔ قابل قبول قرار دارد.
- برای استفادهٔ عملی، پیشنهاد می‌شود این Forecast با استراتژی هفتگی شما (Fundamental/Technical/Sentiment/DXY) تلفیق شود و استاپ/سایز پوزیشن روی سناریوهای آلترناتیو تنظیم گردد.
- سلب مسئولیت: کلیه اطلاعات این گزارش صرفاً جهت آشنایی با مفاهیم یادگیری ماشین و کاربردهای آن در بازارهای مالی ارائه شده‌اند. این تحلیل‌ها توصیه یا سیگنال معاملاتی محسوب نمی‌شوند. مسئولیت هرگونه استفاده مستقیم از این محتوا به عهده کاربر است.
