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

مهندسی مالی و مدیریت اوراق بهادار

مقاله 3، دوره 13، شماره 53، دی 1401، صفحه 34-53   

نوع مقاله: مقاله پژوهشی

نویسندگان

سهیل ذوقی^* ؛ رضا راعی؛ سعید فلاح پور

گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران ،ایران

چکیده

در سال‌های اخیر شبکه‌های عصبی یادگیری عمیق به عنوان ابزاری قدرتمند جهت حل مسائل پیچیده شناخته شده‌اند. یادگیری عمیق یک زیرشاخه از هوش مصنوعی است که در آن بر مبنای مجموعه‌ای از الگوریتم‌ها، مسائل پیچیده دارای پارامترها و ورودی‌های بسیار زیاد، مدل می‌شوند. در این پژوهش به ارائه چاچوب جدیدی از یادگیری عمیق پرداخته می‌شود که در آن با استفاده از تبدیل موجک، خودرمزنگار انباشته و حافظه طولانی کوتاه مدت یا LSTM به پیش‌بینی جهت بازار در قراردادهای آتی سکه طلای بورس کالای ایران می‌پردازیم. در روش پیشنهادی ابتدا با استفاده از تبدیل موجک نویز داده‌های ورودی گرفته می‌شود. سپس با استفاده از خودرمزنگار انباشته شاخص‌های تاثیرگذار بر جهت بازار شناسایی شده و در نهایت این شاخص‌ها به عنوان ورودی به معماری LSTM داده می‌شود تا جهت بازار پیش‌بینی شود. از نوآوری‌های پژوهش حاضر می‌توان به ارائه چند شاخص تکنیکال جدید به منظور افزایش دقت مدل پیشنهادی و همین‌طور تنظیم پارامترهای الگوریتم‌های به کار رفته از جمله LSTM برای مسئله مورد مطالعه و ارائه استراتژی معاملاتی به جهت دستیابی به سوددهی مناسب شاره نمود. بررسی‌ها نشان می‌دهند که روش پیشنهادی از سایر روش‌ها پیشی می-گیرد و به دقت و بازدهی بالاتری دست می‌یابد.

کلیدواژه‌ها

بازار طلا؛ شاخص های تکنیکال؛ پیش‌بینی جهت بازار؛ پیش‌بینی سری زمانی؛ حافظه طولانی کوتاه-مدت

مراجع