مروری بر کاربرد الگوریتمهای یادگیری عمیق و یادگیری تقویتی در پیش بینی روند بازارهای مالی

پیش بینی روند بازارهای مالی یکی از چالش های مهم در حوزه علوم مالی و داده کاوی است. ظهور الگوریتم های یادگیری عمیق و یادگیری تقویتی افق های جدیدی را در توسعه استراتژی های هوشمند معاملاتی گشوده است. در این مقاله، مروری جامع بر مجموعه ای از پژوهش های اخیر ارائه می شود که از الگوریتم هایی مانند PPO، DQN، LSTM و ترکیب آنها با GAN یا شبکه های هیبریدی برای پیش بینی روند بازار و تصمیم گیری خودکار در معاملات بورس، ارز دیجیتال و بازارهای آتی استفاده کرده اند. مقالات بررسی شده شامل ارزیابی کمی مدل ها با معیارهایی مانند بازده تجمعی، MAPE، RMSE و شاخص های ریسک پذیری بوده اند. این مرور نشان می دهد که اگرچه این الگوریتم ها توانایی بالایی در مدل سازی دینامیک بازار دارند، اما چالش هایی مانند بیش برازش، وابستگی به پارامترها و عدم تعمیم پذیری هنوز وجود دارد. در پایان مسیرهای تحقیقاتی آینده برای بهبود عملکرد این مدل ها پیشنهاد می شود.

کلیدواژه ها:

معاملات ، الگوریتمی ، ارز دیجیتال ، LSTM ، DQN ، بازارهای مالی ، یادگیری عمیق ، یادگیری تقویتی