ارائه مدل پیش بینی گر جهت بازار در معاملات آتی سکه طلای بورس کالای ایران با استفاده از الگوریتم حافظه طولانی کوتاه مدت (LSTM)

در سال های اخیر شبکه های عصبی یادگیری عمیق به عنوان ابزاری قدرتمند جهت حل مسایل پیچیده شناخته شده اند. یادگیری عمیق یک زیرشاخه از هوش مصنوعی است که در آن بر مبنای مجموعه ای از الگوریتم ها، مسایل پیچیده دارای پارامترها و ورودی های بسیار زیاد، مدل می شوند. در این پژوهش به ارایه چاچوب جدیدی از یادگیری عمیق پرداخته می شود که در آن با استفاده از تبدیل موجک، خودرمزنگار انباشته و حافظه طولانی کوتاه مدت یا LSTM به پیش بینی جهت بازار در قراردادهای آتی سکه طلای بورس کالای ایران می پردازیم. در روش پیشنهادی ابتدا با استفاده از تبدیل موجک نویز داده های ورودی گرفته می شود. سپس با استفاده از خودرمزنگار انباشته شاخص های تاثیرگذار بر جهت بازار شناسایی شده و در نهایت این شاخص ها به عنوان ورودی به معماری LSTM داده می شود تا جهت بازار پیش بینی شود. از نوآوری های پژوهش حاضر می توان به ارایه چند شاخص تکنیکال جدید به منظور افزایش دقت مدل پیشنهادی و همین طور تنظیم پارامترهای الگوریتم های به کار رفته از جمله LSTM برای مسیله مورد مطالعه و ارایه استراتژی معاملاتی به جهت دستیابی به سوددهی مناسب شاره نمود. بررسی ها نشان می دهند که روش پیشنهادی از سایر روش ها پیشی می-گیرد و به دقت و بازدهی بالاتری دست می یابد.