پیش‌بینی روند بازار فارکس با استفاده از شبکه‌های حافظه طولانی-کوتاه و بهبود آن با توابع فعال‌سازی ترکیبی

این پژوهش در پی آن است که امکان‌سنجی به‌کارگیری یادگیری عمیق، به‌ویژه شبکه عصبی حافظه بلند‌مدت (lstm) در بازار ارزهای خارجی را بررسی کرده و با ارائه نسخه‌های بهبود یافته از الگوریتم lstm، دقت پیش‌بینی را ارتقاء بخشد. در این مقاله تمامی ویژگی‌های بنیادی و فنی مرتبط با معاملات فارکس به‌طور جامع گردآوری و تحلیل شده‌اند. سپس ویژگی‌های تاثیرگذار انتخاب شده و به‌عنوان ورودی مدل پیش‌بینی به‌کار گرفته شده‌اند. بر پایه این ورودی‌ها، مدلی خاص از شبکه lstm طراحی شده است تا روند قیمت‌های فارکس را پیش‌بینی کند؛ روندهایی که برای معامله‌گران هدف مناسبی جهت تصمیم‌گیری ب;ه‌شمار می‌روند. علاوه بر این، یک رویکرد تقویتی برای بهبود دقت lstm در پیش‌بینی روند جفت‌ارز usd/cny معرفی می‌شود که از ترکیب توابع فعال‌سازی tanh) و (sigmoid در لایه پنهان بهره می‌برد. علاوه بر گزارش بهبود عملکرد میانگین، ما تحلیل‌های ablation و آزمون‌های آماری t-test را ارائه می‌دهیم تا تاثیر واقعی ترکیب توابع و قابلیت تعمیم‌پذیری آن را نشان دهیم