مروری بر مدل های یادگیری عمیق و تحلیل اخبار لحظه ای در طراحی سیستم های پشتیبان تصمیم گیری برای معاملات طلا و ارز

بازار طلا و ارز از نوسان پذیرترین بازارهای مالی است و رفتار آن به شدت تحت تاثیر اخبار لحظه ای، متغیرهای اقتصادی و احساسات منتشرشده در رسانه ها قرار دارد. در سال های اخیر، پیشرفت های چشمگیر در یادگیری عمیق و پردازش زبان طبیعی، امکان تحلیل هم زمان داده های عددی و متنی را برای بهبود پیش بینی و تصمیم گیری فراهم کرده است. مدل هایی مانند LSTM، BiGRU، CNN-LSTM، KAN و Random Forest برای تحلیل سری های زمانی مالی، و مدل های زبانی همچون BERT، FinBERT و LLMهای جدید برای تحلیل احساسات و استخراج معنا از اخبار مالی مورد استفاده قرار گرفته اند. این پژوهش با رویکردی مروری به بررسی و تحلیل این مدل ها در زمینه کاربرد آن ها در معاملات طلا و ارز می پردازد. مطالعات موجود نشان می دهد که ترکیب داده های قیمتی با تحلیل اخبار لحظه ای می تواند دقت پیش بینی و کیفیت تصمیم گیری را به طور قابل توجهی افزایش دهد. با این حال، بسیاری از پژوهش ها صرفا بر یک جنبه متمرکز بوده و از ادغام کامل داده های عددی و متنی در یک سیستم عملیاتی غافل مانده اند. مرور انجام شده چهار دسته اصلی شامل مدل های زبانی، مدل های سری زمانی، معماری های ترکیبی و رویکردهای مقایسه ای را شناسایی می کند و نقاط قوت و ضعف هر گروه را مورد بررسی قرار می دهد. در نهایت، خلا یک سیستم پشتیبان تصمیم گیری یکپارچه، بلادرنگ و سازگار با شرایط بازار داخلی برجسته می شود و مسیرهای پژوهشی برای توسعه چنین سیستمی پیشنهاد می گردد.

کلیدواژه ها:

یادگیری عمیق ، تحلیل اخبار لحظه ای ، سیستم پشتیبان تصمیم گیری ، پیش بینی بازار طلا و ارز