ترکیب شبکه LSTM و فیلتر روند EMA۲۰۰ برای تولید سیگنال معاملاتی کم ریسک در بازار فارکس

پیش بینی کوتاه مدت نوسانات بازار فارکس به دلیل ماهیت غیرخطی، نویز بالا و وابستگی های زمانی پیچیده همواره چالش برانگیز بوده است. اگرچه شبکه های حافظه بلند کوتاه مدت (LSTM) توانایی یادگیری الگوهای پنهان را دارند، بسیاری از پژوهش ها صرفا بر دقت پیش بینی تمرکز کرده و به مدیریت ریسک و کیفیت سیگنال معاملاتی توجه نکرده اند. در این پژوهش یک چارچوب ترکیبی شامل LSTM و فیلتر روند EMA۲۰۰ برای تولید سیگنال های خرید و فروش در جفت ارز EUR/USD تایم فریم ۴ ساعته ارائه شده است. ورودی مدل شامل داده های قیمتی و شاخص های تکنیکال ATR، HMA، RSI و MACD می باشد. سیگنال نهایی تنها در صورتی صادر می شود که پیش بینی LSTM با روند بلندمدت تعیین شده توسط EMA۲۰۰ همسو باشد. ارزیابی استراتژی بر روی داده های واقعی از ژانویه ۲۰۲۳ تا دسامبر ۲۰۲۵ با سرمایه اولیه ۱۰,۰۰۰ واحد، حد سود ۰.۵ درصد، حد ضرر پویای ۲ ATR و ریسک ۲ درصد در هر معامله انجام شده است. نتایج نشان می دهد روش پیشنهادی در مقایسه با استراتژی LSTM بدون فیلتر، حداکثر افت سرمایه را ۳۴ درصد کاهش داده از ۱۳.۱۳ درصد به ۸.۶۷ درصد، تعداد معاملات را ۸۸ درصد کاهش از ۱,۳۱۷ به ۱۵۲ و درصد برد را از ۵۱.۴۰ درصد به ۵۲.۶۳ درصد افزایش داده است. فاکتور سود نیز از ۱.۰۱ به ۱.۰۴ بهبود یافته است. این نتایج نشان می دهد که ترکیب یادگیری عمیق با فیلتر روند ساده می تواند ریسک نزولی را به طور چشمگیری کنترل کرده و کیفیت سیگنال های معاملاتی را در عمل بهبود بخشد.

کلیدواژه ها:

پیش بینی بازار فارکس ، شبکه LSTM ، فیلتر روند EMA۲۰۰ ، تولید سیگنال معاملاتی ، مدیریت ریسک ، کاهش افت سرمایه