Optymalizacja technik głębokiego uczenia się poprzez łączenie modeli BiLSTM i BiGRU do przewidywania cen złota

Złoto, istotne w różnych sektorach, od biżuterii po rezerwy finansowe, odgrywa kluczową rolę jako aktywo finansowe i inwestycyjne. Dokładne przewidywanie cen złota ma zasadnicze znaczenie dla podejmowania świadomych decyzji inwestycyjnych i zarządzania gospodarką. Niniejsze badanie wykorzystuje podejście Stacking Ensemble w celu poprawy dokładności prognoz cen złota, łącząc dwukierunkowe modele Long Short-Term Memory (BiLSTM) i Gated Recurrent Unit (BiGRU) jako modele podstawowe, z Random Forest jako meta-modelem. Metoda ta wykorzystuje zdolność BiLSTM i BiGRU do przetwarzania danych sekwencyjnych w obu kierunkach, umożliwiając uchwycenie złożonych wzorców w zmianach cen złota. Zbiór danych obejmuje okres od 1 stycznia 2020 roku do 31 maja 2024 roku. Wyniki pokazują, że model Stacking Ensemble z BiLSTM-BiGRU konsekwentnie przewyższa inne modele, osiągając najniższy błąd średniokwadratowy (MSE) wynoszący 0,000, średnią kwadratową błędów (RMSE) 0,0067, średni błąd bezwzględny (MAE) 0,0050, średni bezwzględny błąd procentowy (MAPE) 0,0083 oraz wysoką wartość współczynnika determinacji (R²) wynoszącą 0,9984 w różnych okresach wstecznych (7, 15 i 30 dni). Te metryki podkreślają skuteczność tej metody w dokładnym uchwyceniu i przewidywaniu trendów cen złota. Potwierdza to, że podejście Stacking Ensemble znacząco zwiększa dokładność prognoz cen złota.