استفاده از روشهای یادگیری ماشین در بازار مالی برای تحلیل بنیادی یا تکنیکال بر مبنای مدلهای ترکیبی

در اين پژوهش ما يك مدل تركيبي جديد مبتني بر شبكه هاي عصبي عميق براي جهت پيشبيني جهت و اندازه حركت بازارفاركس در كوتاه مدت ارائه داديم. مدل كلي ارائه شده بر مبناي استراتژي اسكالپينگ و براي معاملات با فركانس بالا ساخته شده است. مدل تركيبي پيشنهادي از تركيب سه مدل مبتي بر شبكه هاي عصبي عميق ساخته شده است. مدل اول يك شبكه ي عصبي عميق با معماري چند ورودي است كه از تركيب لايه هاي Long Short Term Memory تشكيل شده است. مدل دوم نيز يك شبكه ي عصبي عميق با معماري چند ورودي است كه از تركيب لايه هاي Convolutional Neural network يك بعدي ساخته شده است. مدل سوم كه معماري سادهتري دارد و يك مدل چند ورودي از لايه هاي MultiLayer Perceptron است. مدل كلي ساخته شده نيز مدلي بر مبناي راي اكثريت از سه مدل بالاست. اين پژوهش نشان ميدهد كه مدلهاي مبتني بر لايه هايLong Short Term Memoryنتايج بهتري نسبت به بقيه مدلها و حتي مدل تركيبي ارائه ميدهد و بيش از 70 % دقت دارد

Keywords:

پیش بینی فارکس , یادگیری ماشین , یادگیری عمیق , معاملات با فرکانس بالا , شبکه ی عصبی , , Long Short Term Convolutional Neural Network Memory , MultiLayer Perceptron