أسعار الذهب والعوامل المؤشرة عليها
1-المقدمة
2-التحليل الوصفي
3-التوصيات
4-أبرز مخاطر الذهب
5-خلاصة اسراتيجية

1-المقدمة

يستعرض التقرير التغير في أسعار الذهب والمؤثرات التي تساهم في ارتفاع سعره

مصدر البيانات

موقع fred
In [1]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import NullFormatter
import plotly.express as px
import plotly.graph_objects as go
import arabic_reshaper
from bidi.algorithm import get_display
from matplotlib.ticker import MultipleLocator
import seaborn as sn
from statsmodels.graphics.tsaplots import month_plot
from statsmodels.tsa.seasonal import seasonal_decompose

قراءة البيانات وتجهيزها

In [2]:
data_g=pd.read_excel(r"C:\Users\Desktop\me_\Gold.xlsx",sheet_name="gold")
data_o=pd.read_excel(r"C:\Users\Desktop\me_\Gold.xlsx",sheet_name="oil")
data_i=pd.read_excel(r"C:\Users\Desktop\me_\Gold.xlsx",sheet_name="USA_index")
In [3]:
data_g.columns
Out[3]:
Index(['Date', 'High (kg)', 'Low (kg)', 'Close (kg)', 'High (troy oz)',
       'Low (troy oz)', 'Close (troy oz)', 'Unnamed: 7'],
      dtype='object')
In [4]:
data_g.head()
Out[4]:
Date High (kg) Low (kg) Close (kg) High (troy oz) Low (troy oz) Close (troy oz) Unnamed: 7
0 2025-09-09 126822.48 116212.39 126516.64 3944.62 3614.61 3935.11 NaN
1 2025-08-10 117227.97 106471.54 116870.29 3646.20 3311.64 3635.07 -0.076247
2 2025-07-11 110566.42 105081.58 109272.35 3439.00 3268.40 3398.75 -0.065011
3 2025-06-11 110956.49 104455.52 106868.28 3451.13 3248.93 3323.98 -0.021999
4 2025-05-12 109417.27 100364.74 106992.94 3403.26 3121.69 3327.85 0.001164
In [5]:
def calculate_log_returns_and_volatility(df):
    # Calculate daily log returns: log(P_t / P_{t-1})
    df['Daily_Log_Return'] = np.log(df['Close (troy oz)'] / df['Close (troy oz)'].shift(1))
    
    # Calculate 30-day rolling volatility (annualized)
    df['Daily_Volatility'] = df['Daily_Log_Return'].rolling(window=30).std() * np.sqrt(252)
    
    # Resample to monthly, taking the last closing price of each month
    monthly_df = df[['Close (troy oz)']].resample('ME').last()
    monthly_df['Monthly_Log_Return'] = np.log(monthly_df['Close (troy oz)'] / monthly_df['Close (troy oz)'].shift(1))
    
    # Calculate 12-month rolling volatility (annualized)
    monthly_df['Monthly_Volatility'] = monthly_df['Monthly_Log_Return'].rolling(window=12).std() * np.sqrt(12)
    # Drop NaN values
    df = df.dropna()
    monthly_df = monthly_df.dropna()
    
    return df[['Close (troy oz)', 'Daily_Log_Return', 'Daily_Volatility']], monthly_df[['Close (troy oz)', 'Monthly_Log_Return', 'Monthly_Volatility']]
In [6]:
data_g['Daily_Log_Return'] = np.log(data_g['Close (troy oz)'] / data_g['Close (troy oz)'].shift(1))
# Calculate daily log returns: log(P_t / P_{t-1})
In [7]:
data_g['Daily_Volatility'] = data_g['Daily_Log_Return'].rolling(window=30).std() * np.sqrt(252)
 # Calculate 30-day rolling volatility (annualized)
In [8]:
data_g.head()
Out[8]:
Date High (kg) Low (kg) Close (kg) High (troy oz) Low (troy oz) Close (troy oz) Unnamed: 7 Daily_Log_Return Daily_Volatility
0 2025-09-09 126822.48 116212.39 126516.64 3944.62 3614.61 3935.11 NaN NaN NaN
1 2025-08-10 117227.97 106471.54 116870.29 3646.20 3311.64 3635.07 -0.076247 -0.079310 NaN
2 2025-07-11 110566.42 105081.58 109272.35 3439.00 3268.40 3398.75 -0.065011 -0.067221 NaN
3 2025-06-11 110956.49 104455.52 106868.28 3451.13 3248.93 3323.98 -0.021999 -0.022245 NaN
4 2025-05-12 109417.27 100364.74 106992.94 3403.26 3121.69 3327.85 0.001164 0.001164 NaN
In [9]:
# Convert the 'Date' column to datetime (if it's not already)
data_g['Date1'] = pd.to_datetime(data_g['Date'])

# Set the 'Date' column as the index
data_g.set_index('Date1', inplace=True)

2-التحليل الوصفي

In [10]:
# Calculate the mean by year and rename the 'Price' column to 'Mean'
df_1 = data_g.groupby(data_g.index.year)['Close (troy oz)'].mean().rename('Mean')

# Calculate the standard deviation by year and rename the 'Price' column to 'std'
df_std = data_g.groupby(data_g.index.year)['Close (troy oz)'].std().rename('std')

# Merge the mean and standard deviation DataFrames
df_1 = df_1.to_frame().merge(df_std.to_frame(), left_index=True, right_index=True)

# Calculate the coefficient of variation percentage
df_1['Cov_pct'] = ((df_1['std'] / df_1['Mean']) * 100).round(2)

# Display the first few rows
df_1.head()
Out[10]:
Mean std Cov_pct
Date1
2020 1802.516667 139.883474 7.76
2021 1791.037692 51.249610 2.86
2022 1802.735000 99.041236 5.49
2023 1957.726667 53.281227 2.72
2024 2444.355000 210.947118 8.63
In [11]:
x=data_g['Date']
y=data_g['Close (troy oz)']
# plotting line graph
fig = px.line(data_g, x = x, y =y)#, text=y)

# displaying data labels
fig.update_layout(
    yaxis=dict(range=[0, max(y) + 10]),  # Adjust max value as needed
    #title="Scatter Plot with Y-axis Starting at Zero",
    xaxis_title="Date",
    yaxis_title="Oun USD Dollar"
)
fig.update_layout(width=1000, height=700)  # Set figure size

fig.update_traces(texttemplate='%{text:.1s}', textposition='top center')

# displaying the graph
fig.show()
In [12]:
_ax = plt.subplots(figsize=(25, 8))  # Creates a figure and axes for the plot
sn.boxplot(x=data_g.index.year, y=data_g['Close (troy oz)'])  # Creates a boxplot using Seaborn
plt.title("Gold Prices Monthly Since 1950 and Onwards")  # Adds a title to the plot
plt.xlabel('Year')  # Sets the label for the x-axis
plt.ylabel('Price')  # Sets the label for the y-axis
plt.xticks(rotation=90)  # Rotates the x-axis labels by 90 degrees for better visibility
plt.grid(True)  # Enables grid lines on the plot
In [13]:
decomposition = seasonal_decompose(data_g['Close (troy oz)'], model='additive')
# Plot the decomposition results
decomposition.plot()
plt.show()

# Extract and analyze components
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid
نلاحظ أن سنة 2021 و 2023 كانتا أدنى السنوات في معدلات التغير السعري
  • على الرغم من أنه خلال عام 2021 تم البدء بتوزيع لقاحات فيروس كوفيد، وبدأت الأسواق في التعافي
  • في عام 2023 تصاعد التوتر بسب الحرب بين روسيا وأوكرانيا والذي ساهم في ارتفاع سعر الذهب نتيجة زيادة الطلب عليه
    • In [14]:
    data_g.columns
    Out[14]:
    Index(['Date', 'High (kg)', 'Low (kg)', 'Close (kg)', 'High (troy oz)',
       'Low (troy oz)', 'Close (troy oz)', 'Unnamed: 7', 'Daily_Log_Return',
       'Daily_Volatility'],
      dtype='object')
    In [15]:
    df=data_g[['Date','Close (troy oz)']]
    In [16]:
    month_plot(df.resample('M').mean())
plt.show()
    نلاحظ بشكل عام زيادة الأسعار من الأشهر يناير إلى سبتمبر وعودتها بعد ذلك للانخفاض
  • يناير وفبراير: غالبًا ما تشهد أسعار الذهب ارتفاعًا قد يكون بسبب الطلب العالمي المتزايد بعد عطلات نهاية العام
  • أبريل إلى سبتمبر: ترتفع الأسعار أحيانًا بسبب موسم أعياد زواجات وعطل رسمية
  • أكتوبر إلى نهاية العام: غالبًا ما تكون فترة هدوء نسبي في الأسواق، مما يؤدي إلى استقرار أو انخفاض في الأسعار

    • العائد اليومي، التقلب السنوي (Annualized Volatility)

    In [17]:
    #volatility analysis for gold prices
    In [18]:
     # Plot daily log returns with rolling volatility
fig, ax1 = plt.subplots(figsize=(12, 6))
ax1.plot(data_g.index, data_g['Daily_Log_Return'], 'b-', label='Gold Daily Log Returns')
ax1.axhline(0, color='black', linestyle='--', linewidth=0.5)
ax1.set_xlabel('Date', fontsize=12)
ax1.set_ylabel('Log Return', fontsize=12, color='blue')
ax1.tick_params(axis='y', labelcolor='blue')
ax1.grid(True)
    
ax2 = ax1.twinx()
ax2.plot(data_g.index, data_g['Daily_Volatility'], 'r-', alpha=0.5, label='30-Day Rolling Volatility (Annualized)')
ax2.set_ylabel('Volatility', fontsize=12, color='red')
ax2.tick_params(axis='y', labelcolor='red')
  
plt.title('Daily Log Returns of Gold with 30-Day Rolling Volatility (Past 5 Years)', fontsize=14)
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')
    Out[18]:
    <matplotlib.legend.Legend at 0x1a90bd8f370>
    1. العوائد اليومية (الخط الأزرق):
  • تتذبذب بشكل واضح حول الصفر، مما يعكس تغيرات يومية في سعر الذهب
  • هناك فترات تظهر فيها قفزات أو انخفاضات حادة، غالبًا نتيجة أحداث اقتصادية أو جيوسياسية
    • 2. التقلب (الخط الأحمر):
  • يرتفع بشكل ملحوظ في فترات الأزمات ، مثل بداية جائحة كورونا في 2020 أو اضطرابات الأسواق في 2022.
  • ينخفض تدريجيًا في الفترات المستقرة، مما يشير إلى انخفاض المخاطر المرتبطة بالاستثمار في الذهب.
    • 3. العلاقة بين العائد والتقلب:
  • غالبًا ما تسبق أو تتزامن فترات التقلب المرتفع مع تحركات حادة في العوائد.
    • In [19]:
    data_g['YoY_Percent_Change'] = data_g['Close (troy oz)'].pct_change(periods=1) * 100
data_g['YoY_Percent_Change']
    Out[19]:
    Date1
2025-09-09         NaN
2025-08-10   -7.624692
2025-07-11   -6.501113
2025-06-11   -2.199926
2025-05-12    0.116427
                ...   
2020-05-08   -5.630774
2020-04-08    1.715974
2020-03-09   -3.829641
2020-02-08    3.127483
2020-01-09   -7.659234
Name: YoY_Percent_Change, Length: 70, dtype: float64
    In [20]:
    x=data_g['Date']
y=data_g['YoY_Percent_Change']
# plotting line graph
fig = px.line(data_g, x = x, y =y)#, text=y)

# displaying data labels
fig.update_layout(
    yaxis=dict(range=[0, max(y) + 10]),  # Adjust max value as needed
    #title="Scatter Plot with Y-axis Starting at Zero",
    xaxis_title="Date",
    yaxis_title="% change"
)
fig.update_layout(width=900, height=700)  # Set figure size

fig.update_traces(texttemplate='%{text:.1s}', textposition='top center')

# displaying the graph
fig.show()
  • أعلى نسبة انخفاض كانت في عام 2020 تحديدا في شهر يونيو وقد يكون السبب أزمة فيروس كوفيد والإغلاقات التي حدثت
  • بينما كانت أعلى نسبة ارتفاع في بداية عام 2021 وقد يعود بسبب العودة لإلغاء الإلاقات وتوزيع اللقاحات
    • In [21]:
    data_o.columns
    Out[21]:
    Index(['observation_date', 'WTISPLC', 'Unnamed: 2', 'Unnamed: 3',
       'Unnamed: 4'],
      dtype='object')

    الارتباط مع الأصول الأخرى

    أسعار النفط ومؤشر البورصة الأمريكي

    In [22]:
    x=data_o['observation_date']
y=data_o['WTISPLC']
# plotting line graph
fig = px.line(data_o, x = x, y =y)#, text=y)

# displaying data labels
fig.update_layout(
    yaxis=dict(range=[0, max(y) + 10]),  # Adjust max value as needed
    #title="Scatter Plot with Y-axis Starting at Zero",
    xaxis_title="Date",
    yaxis_title="Oil Prices USD"
)
fig.update_layout(width=900, height=700)  # Set figure size

fig.update_traces(texttemplate='%{text:.1s}', textposition='top center')

# displaying the graph
fig.show()
  • ارتفت أسعار النقط في عام 2022 ( من شهر مارس إلى شهر يوليو ) بنسبة 18% بسبب زيادة الإنتاج من قبل تحالف أوبك+ بواقع 400 ألف برميل يومياً، مما أدى إلى زيادة الطلب
  • بعد ذلك عاودت الأاسعار بالانخفاض وتراوحت بين 64 و88 دولار
    • In [23]:
    data_o['YoY_Percent_Change'] = data_o['WTISPLC'].pct_change(periods=1) * 100
data_o['YoY_Percent_Change']
    Out[23]:
    0           NaN
1    -12.134910
2    -42.204195
3    -43.341321
4     72.567976
        ...    
63    -6.887456
64    -2.156122
65     9.650957
66     0.322723
67    -5.161573
Name: YoY_Percent_Change, Length: 68, dtype: float64
    In [24]:
    data_i.columns
    Out[24]:
    Index(['observation_date', 'DTWEXBGS'], dtype='object')
    In [25]:
    x=data_i['observation_date']
y=data_i['DTWEXBGS']
# plotting line graph
fig = px.line(data_i, x = x, y =y)#, text=y)

# displaying data labels
fig.update_layout(
    yaxis=dict(range=[0, max(y) + 10]),  # Adjust max value as needed
    #title="Scatter Plot with Y-axis Starting at Zero",
    xaxis_title="Date",
    yaxis_title="USD index"
)
fig.update_layout(width=900, height=700)  # Set figure size

fig.update_traces(texttemplate='%{text:.1s}', textposition='top center')

# displaying the graph
fig.show()
    In [26]:
    data_i['YoY_Percent_Change'] = data_i['DTWEXBGS'].pct_change(periods=1) * 100
data_i['YoY_Percent_Change']
    Out[26]:
    0            NaN
1            NaN
2       0.010089
3      -0.026960
4       0.166587
          ...   
1493    0.024539
1494   -0.157427
1495    0.454452
1496    0.299414
1497   -0.084323
Name: YoY_Percent_Change, Length: 1498, dtype: float64

    علاقة أسعار الذهب بأسعار النفط والبورصة الأمريكية

    In [27]:
    data_all=pd.read_excel(r"C:\Users\Desktop\me_\Gold.xlsx",sheet_name="all")
    In [28]:
    data_all.corr()
    Out[28]:
    Ounce_price(USD) Index Oil
    Ounce_price(USD) 1.000000 0.501699 0.405505
    Index 0.501699 1.000000 0.624673
    Oil 0.405505 0.624673 1.000000
    In [29]:
    plt.figure(figsize=(10, 8))  # Set the size of the heat map
sn.heatmap(data_all.corr(), center=0, cmap="Blues",annot=True)
plt.show()
  • يتضح وجود علاقة ضعيفة بين أسعار الذهب وأسعار النفط والبورصة الأمريكية
  • كم يتضح أن هناك تأثير للعوامل الجيوسياسية على أسعار الذهب بشكل كبير

    • 3-التوصيات

  • متابعة قرارات البنوك المركزية، خاصة الفيدرالي الأمريكي، حيث أنها تؤثر بشكل مباشر على أسعار الذهب
  • يُنصح بشراء الذهب عند انخفاض الأسعار، خاصة في فترات التقلبات الاقتصادية، حيث يُتوقع أن يعود للارتفاع لاحقًا

    • 4- أبرز مخاطر الذهب

  • تقلبات الاسعار : حيث أن الذهب يتأثر بالأحداث الاقتصادية والسياسية
  • مخاطر السوق:تغيرات مفاجئة في العرض والطلب

    • 5- خلاصة استراتيجية

  • الذهب مناسب للتحوط وليس لتحقيق أرباح سريعة.
  • يجب مراقبة مؤشرات مثل نسبة شارب والتقلب السنوي لتحديد توقيت الاستثمار
    • In [ ]: