ارزیابی مقایسه ای معماری های یادگیری عمیق در پیش بینی بازده ساعتی طلا: مقایسه با مدل های مبنا تحت اعتبارسنجی راه رونده

پیش بینی بازده دارایی های مالی در افق های کوتاه مدت یکی از چالش برانگیزترین مسائل مالی است. این پژوهش به مقایسه ی سه معماری یادگیری عمیق(شبکه ی حافظه ی کوتاه-بلندمدت ، ترنسفورمر و پچ تست ) برای پیش بینی بازده لگاریتمی یک گام-جلو طلا در تایم فریم ساعتی می پردازد. داده های پژوهش شامل ۳۷۶۵۵ کندل ساعتی در بازه ی دسامبر ۲۰۱۹ تا مه ۲۰۲۶ است. برای اطمینان از اعتبار نتایج، پروتکل اعتبارسنجی راه رونده با ۹ فولد، فاصله ی بازدارنده ی ۲۴۰ ساعته، نرمال سازی فقط با آمار داده ی آموزش، و آزمون دیبلد-ماریانو با تصحیح نیوی-وست به کار گرفته شد. نتایج نشان می دهد هیچ یک از سه معماری نتوانستند دقت جهت معنادار بالای شانس کسب کنند. در مقابل، مبنای اکثریت به دقت جهت ۸۶%/۵۰ رسید که تنها مدل با دقت جهت معنادار بالای شانس است. یافته های ما با فرضیه ی بازار کارا و ادبیات متدولوژی سالم هم خوانی دارد.

کلیدواژه ها:

پیش بینی بازده ، یادگیری عمیق ، طلا (XAUUSD) ، اعتبارسنجی راه رونده ، فرضیه ی بازار کارا