معرفی مدل یادگیری ماشین TALOS ML برای پیش‌بینی قیمت طلا: ساختار، عملکرد و تحلیل کامل

📝 مقدمه

در سال‌های اخیر، یادگیری ماشین به یکی از ابزارهای کلیدی در تحلیل بازارهای مالی تبدیل شده است. در همین راستا، مدل TALOS ML توسعه‌یافته تا بتواند با بهره‌گیری از داده‌های واقعی، به پیش‌بینی دقیق قیمت روزانه طلا (XAU/USD) بپردازد.

هدف مدل TALOS ML چیست؟

مدل TALOS ML به طور خاص طراحی شده تا قیمت بسته‌شدن روز بعد طلا (XAU/USD) را با استفاده از یادگیری الگوهای زمانی، داده‌های فنی، و شاخص‌های اقتصادی پیش‌بینی کند. این مدل:

• از داده‌های روزانه بازار استفاده می‌کند؛
• ساختار آن مبتنی بر شبکه‌های عصبی بازگشتی (LSTM) است؛
• و به‌صورت هفتگی آموزش‌دیده و به‌روزرسانی می‌شود تا همیشه با بازار هماهنگ باشد.

📥 داده‌های ورودی و ویژگی‌های استفاده‌شده

برای پیش‌بینی دقیق، TALOS ML تنها به قیمت طلا بسنده نمی‌کند؛ بلکه از مجموعه‌ای متنوع از داده‌ها استفاده می‌کند که به دودسته اصلی تقسیم می‌شوند:

۱- داده‌های قیمتی و فنی طلا (XAU/USD)

قیمت‌های روزانه: Open، High، Low، Close، Volume

اندیکاتورهای فنی:

RSI – شاخص قدرت نسبی

Moving Average –

MACD – و سیگنال

Bollinger Bands (Upper & Lower) –

• میانگین دامنه واقعی ATR

۲- شاخص دلار آمریکا (DXY)

• قیمت بسته‌شدن روزانه
• میزان تغییرات روزانه (DXY_Change)

۳- ویژگی‌های مشتق‌شده:

• تغییرات روزانه قیمت (Price Change)
• نسبت High به Low (High_Low_Ratio)

✅ در مجموع، ۱۵ ویژگی (feature) در مدل استفاده شده‌اند که داده‌ای کامل و دقیق برای پیش‌بینی فراهم می‌کنند.

⚙️ نحوه آماده‌سازی و پیش‌پردازش داده‌ها

پیش از آموزش مدل، داده‌ها با روشی علمی و حرفه‌ای آماده می‌شوند:

• نرمال‌سازی (Normalization): تمام ویژگی‌ها به بازه ۰ تا ۱ تبدیل می‌شوند تا مدل بهتر یاد بگیرد.
• تبدیل لگاریتمی قیمت (Log Close): برای کاهش اثر نوسانات شدید و کنترل رفتارهای ناگهانی بازار.
• ساخت دنباله زمانی ۳۰ روزه: برای‌آنکه مدل LSTM بتواند روابط زمانی را تشخیص دهد، به‌جای اینکه هر روز به‌صورت مستقل بررسی شود، ۳۰ روز قبلی به‌صورت پشت‌سرهم به مدل داده می‌شود.

این مرحله داده‌ها را به فرمت (۳۰٬۱۵) تبدیل می‌کند: ۳۰ روز، ۱۵ ویژگی برای هر روز.

🧠 معماری مدل TALOS ML

در قلب مدل TALOS، از شبکه عصبی LSTM چندلایه (Stacked LSTM) استفاده شده است. دلیل انتخاب LSTM این است که این نوع شبکه‌ها برای تحلیل سری‌های زمانی مانند قیمت طلا بسیار مناسب هستند.

لایه	شرح
LSTM اول	۵۰ نورون، با return_sequences=True برای انتقال به لایه بعدی
Dropout اول	نرخ ۴۰٪، برای جلوگیری از overfitting
LSTM دوم	۵۰ نورون
Dropout دوم	نرخ ۴۰٪
Dense میانی	۲۵ نورون با regularization نوع L2
Dense نهایی	۱ نورون برای پیش‌بینی نهایی قیمت

✅ این معماری امکان یادگیری الگوهای پیچیده قیمتی و نوسانی را فراهم می‌کند و به مدل انعطاف‌پذیری بالایی می‌دهد.

♀️ نحوه آموزش مدل

🏋️مدل با استفاده از داده‌های پنج سال اخیر از ابتدای سال ۲۰۲۰ آموزش‌دیده است و در انتهای هر هفته معاملاتی با اضافه‌شدن داده‌های جدید مجدداً آموزش می‌بیند. روش آموزش شامل موارد زیر است:

1. بهینه‌ساز Adam با نرخ یادگیری ۰.۰۰۰۵
2. تابع خطا Mean Squared Error (MSE)
3. تعداد epochs: تا ۱۰۰ دوره با امکان توقف زودهنگام
4. EarlyStopping اگر مدل پیشرفت نکند، زودتر متوقف می‌شود
5. ModelCheckpoint ذخیره بهترین نسخه از مدل

✅ مزایای مدل TALOS ML

۱-توانایی پیش‌بینی سری‌های زمانی بادقت بالا: به لطف LSTM و دنباله‌های زمانی.

✅ مزایای مدل TALOS ML

۱-توانایی پیش‌بینی سری‌های زمانی بادقت بالا: به لطف LSTM و دنباله‌های زمانی.

۲-پوشش ویژگی‌های متنوع: استفاده از داده‌های تکنیکال، رفتاری، و فاندامنتال مانند DXY.

۳-پایدار در برابر overfitting استفاده از Dropout و Regularization

۴-سازگار با تحلیل روزانه و هفتگی: ساختار آن مناسب گزارش‌های مستمر است.

۵-آموزش مداوم و ذخیره بهترین نسخه‌ها: مدل هر هفته به‌روزرسانی می‌شود و خروجی‌های آن در سیستم ذخیره می‌گردد.

❌ نقاط ضعف و قابل‌بهبود

۱-وابستگی شدید به کیفیت داده‌ها: نویز یا داده‌های ناقص می‌توانند عملکرد مدل را کاهش دهند.

۲-عدم استفاده از متغیرهای فاندامنتال گسترده‌تر: مثل اخبار، نرخ بهره یا تصمیمات فدرال رزرو.

۳-پیش‌بینی فقط برای یک روز جلوتر است: برای بازه‌های زمانی بلندمدت (هفتگی یا ماهانه) نیاز به ساختار جداگانه دارد.

۴-نوسانات شدید در داده‌های پیش‌بینی‌شده: در برخی نقاط، مدل نوسانات غیرواقعی را پیش‌بینی می‌کند که ناشی از تقویت بیش از حد در آموزش است.

مدل TALOS ML یک سیستم یادگیری ماشین پیشرفته و کاربردی برای پیش‌بینی قیمت طلا است. با استفاده از داده‌های فنی، شاخص دلار و شبکه‌های عصبی LSTM، این مدل توانسته دقت مناسبی در پیش‌بینی‌ها داشته باشد.

اگر شما فعال بازار طلا یا علاقه‌مند به تحلیل داده هستید، استفاده از این مدل می‌تواند به تصمیم‌گیری بهتر و آگاهانه‌تر کمک کند – مخصوصاً در ترکیب با تحلیل تکنیکال انسانی و فاندامنتال.

📌 این مدل به‌صورت هفتگی به‌روزرسانی شده و در قالب گزارش‌های تحلیلی جدید منتشر می‌شود.
🛠 در آینده، امکان توسعه مدل به سمت الگوریتم‌های ترکیبی مانند Transformer یا CNN-LSTM نیز وجود دارد.