پیش بینی هوشمند روند قیمت طلا در بازار مالی با استفاده از شبکه های عصبی (LSTM) مبتنی بر استراتژی های معاملاتی محافظه کارانه

پیش بینی نوسانات قیمت دارایی های استراتژیک نظیر طلا به دلیل تاثیرپذیری بالا از متغیرهای کلان اقتصادی، رویدادهای ژئوپلیتیک و مکانیزم های پیچیده، بازار همواره یکی از چالش های بنیادین در حوزه مهندسی مالی و هوش مالی به شمار می رود. هدف این پژوهش، توسعه و ارزیابی یک مدل یادگیری عمیق ساختاریافته بر پایه شبکه های حافظه طولانی کوتاه مدت (LSTM) جهت پیش بینی جهت تغییرات قیمت طلا (نماد GCF) و پیاده سازی یک سیستم معاملاتی الگوریتمی با رویکرد مدیریت ریسک محافظه کارانه است. در این راستا، داده های روزانه قیمت طلا در بازه زمانی ۲۰۱۷ تا ۲۰۲۶ استخراج گردید و پس از پیش پردازش و مهندسی ویژگی ها با استفاده از شاخص قدرت نسبی (RSI) و انحراف معیار، بازدهی، وارد شبکه عصبی تکراری شد. به منظور مقابله با داده های پرت از الگوریتم مقیاس گذاری مقاوم (Robust Scaler) بهره گرفته شد. یافته های تجربی حاصل از شبیه سازی و تست پس نگر (Backtesting) نشان می دهد که استراتژی مبتنی بر هوش مصنوعی (AI Strategy) توانست با ثبت بازدهی تقریبی ۹۰ درصد، ارتقای سرمایه از ۱۰,۰۰۰ به ۱۹,۰۲۳ واحد و کاهش چشمگیر حداکثر افت سرمایه (MDD) در مقایسه با شاخص سنتی خرید و نگهداری (Benchmark)، عملکرد بهینه ای ارائه دهد. ارزیابی ماتریس آشفتگی نیز حاکی از کنترل دقیق ریسک و فیلتر کردن سیگنال های مثبت کاذب است که این امر کارایی بالای مدل های توالی محور را در بازارهای با نوسان بالا تایید می کند.

کلیدواژه ها:

یادگیری عمیق ، شبکه حافظه طولانی کوتاه مدت (LSTM) ، پیش بینی بازارهای مالی ، سیستم های معاملاتی الگوریتمی ، مدیریت ریسک ، سری های زمانی طلا