پیش بینی روند بازار فارکس با استفاده از شبکه های حافظه طولانی-کوتاه و بهبود آن با توابع فعال سازی ترکیبی

این پژوهش در پی آن است که امکان سنجی به کارگیری یادگیری عمیق به ویژه شبکه عصبی حافظه بلندمدت (LSTM) در بازار ارزهای خارجی را بررسی کرده و با ارائه نسخه های بهبود یافته از الگوریتم LSTM دقت پیش بینی را ارتقاء بخشد. در این مقاله تمامی ویژگی های بنیادی و فنی مرتبط با معاملات فارکس به طور جامع گردآوری و تحلیل شده اند سپس ویژگی های تاثیر گذار انتخاب شده و به عنوان ورودی مدل پیش بینی به کار گرفته شده اند. بر پایه این ورودی ها مدلی خاص از شبکه LSTM طراحی شده است تا روند قیمت های فارکس را پیش بینی کند؛ روند هایی که برای معامله گران هدف مناسبی جهت تصمیم گیری به شمار می روند. علاوه بر این یک رویکرد تقویتی برای بهبود دقت LSTM در پیش بینی روند جفت ارز USD/CNY معرفی می شود که از ترکیب توابع فعال سازی sigmoid tanh در لایه پنهان بهره می برد علاوه بر گزارش بهبود عملکرد میانگین ما تحلیل های ablation و آزمون های آماری t-test را ارائه می دهیم تا تاثیر واقعی ترکیب توابع و قابلیت تعمیم پذیری آن را نشان دهیم.

کلیدواژه ها:

فارکس ، شبکه عصبی ، هوش مصنوعی ، حافظه بلندمدت (LSTM) ، توابع فعال سازی ترکیبی