پیش بینی بازار فارکس با استفاده شبکه عصبی ترکیبی و یادگیری انتقال

ادبیات تحقیق پیش بینی در سال های اخیر به عنوان نتیجه ای از پیشرفت در فن آوری اطلاعات تا حد زیادی رشد کرده است . در سری زمانی مالی از یادگیری ماشین و شبکه های عصبی عمیق استفاده قابل توجهی می شود ، اما ساخت یک مدل پیش بینی از ابتدا نیازمند زمان و منابع محاسباتی است. یادگیری انتقالی در مقابله با این محدودیت های زمان آموزش و منابع محاسباتی در چندین رشته رو به افزایش است. این مطالعه یک مدل پایه ترکیبی برای پیش بینی سری زمانی مالی با استفاده از شبکه عصبی بازگشتی (RNN) و حافظه طولانی کوتاه مدت (LSTM) به نام RNN-LSTM پیشنهاد می کند. ما از جستجوی تصادفی برای تنظیم دقیق فراپارامترها استفاده کردیم و مدل پیشنهادی خود را با مدل های پایه RNN و LSTM مقایسه کردیم و با استفاده از معیارهای MAE ،RMSE و MAPE ارزیابی کردیم. هنگام پیش بینی جفت های ارز فارکس USD/ZAR ،GBP/USD و AUD/NZD مدل پایه پیشنهادی ما برای یادگیری انتقال بهتر از مدل پایه RNN و LSTM با میانگین مجذور خطاهای ریشه به ترتیب ۰.۰۰۷۶۵۶، ۰.۱۶۵۲۵۰ و ۰.۰۰۱۷۳۰ است.

کلیدواژه ها:

یادگیری عمیق ، یادگیری انتقال ، تجزیه و تحلیل سری های زمانی ، شبکه عصبی بازگشتی (RNN) ، حافظه طولانی کوتاه مدت (LSTM)