محمدرضا طالبی خارزنی - کارشناسی ارشد مهندسی فناوری اطلاعات دانشگاه صنعتی خواجه نصیر طوسی،تهران،ایران
محمد بنی عامریان - کارشناسی ارشد مهندسی مالی ومدیریت ریسک دانشگاه تهران،تهران،ایران

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.

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