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

محورهای موضوعی : مهندسی مالی

سهیل ذوقی ¹ , رضا راعی ² , سعید فلاح پور ³

1 - گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران ،ایران
2 - گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران ،ایران
3 - گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران ،ایران

تاریخ دریافت : 1400/10/07 تاریخ پذیرش : 1400/11/30 تاریخ انتشار : 1401/10/01

کلید واژه: بازار طلا, شاخص های تکنیکال, پیش‌بینی جهت بازار, پیش‌بینی سری زمانی, حافظه طولانی کوتاه-مدت,

چکیده مقاله :

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.

چکیده انگلیسی:

In recent years, deep learning neural networks have been recognized as powerful tools for solving complex problems. Deep learning is a subfield of artificial intelligence in which complex problems with numerous parameters and inputs are modeled based on a set of algorithms. In this research, a new framework of deep learning is presented. Using wavelet transform, stacked auto-encoders, and the Long Short-Term Memory or LSTM, we predict the market direction in the future contracts of gold coins of Iran's Commodity Exchange market. The input data is first denoised using the wavelet transformer in the proposed method. Then, using the stacked auto-encoder, the indicators influencing the market direction are identified. Ultimately, these indicators are given as input to the LSTM architecture to predict the market direction. Proposing several new technical indicators to increase the accuracy of the proposed model, adjusting the parameters of the utilized algorithms, including LSTM, for this problem, and suggesting a trading strategy to achieve appropriate profitability are among the contributions of the present study. Investigations reveal that the proposed method outperforms other approaches and achieves higher accuracy and efficiency.