ترکیب شبکه LSTM و فیلتر روند EMA200 برای تولید سیگنال معاملاتی کم‌ریسک در بازار فارکس

کورش پرند¹ سجاد خالقی²

1) استاد گروه علوم کامپیوتر، گروه علوم داده‌ها و کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهید بهشتی، تهران، ایران ،
2) دانشجوی دکتری علوم کامپیوتر، گروه علوم داده‌ها و کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهید بهشتی، تهران، ایران،

کد IOI مقاله : AAHD-ABFGBF
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پیش‌بینی کوتاه‌مدت نوسانات بازار فارکس به دلیل ماهیت غیرخطی، نویز بالا و وابستگی‌های زمانی پیچیده، همواره چالش‌برانگیز بوده است. اگرچه شبکه‌های حافظه بلند-کوتاه‌مدت (LSTM) توانایی یادگیری الگوهای پنهان را دارند، بسیاری از پژوهش‌ها صرفاً بر دقت پیش‌بینی تمرکز کرده و به مدیریت ریسک و کیفیت سیگنال معاملاتی توجه نکرده‌اند. در این پژوهش، یک چارچوب ترکیبی شامل LSTM و فیلتر روند EMA200 برای تولید سیگنال‌های خرید و فروش در جفت‌ارز EUR/USD (تایم‌فریم ۴ ساعته) ارائه شده است. ورودی مدل شامل داده‌های قیمتی OHLC و شاخص‌های تکنیکال RSI، HMA، ATR و MACD می‌باشد. سیگنال نهایی تنها در صورتی صادر می‌شود که پیش‌بینی LSTM با روند بلندمدت تعیین‌شده توسط EMA200 همسو باشد. ارزیابی استراتژی بر روی داده‌های واقعی از ژانویه ۲۰۲۳ تا دسامبر ۲۰۲۵ با سرمایه اولیه ۱۰,۰۰۰ واحد، حد سود ۰.۵ درصد، حد ضرر پویای ۲×ATR و ریسک ۲ درصد در هر معامله انجام شده است. نتایج نشان می‌دهد روش پیشنهادی در مقایسه با استراتژی LSTM بدون فیلتر، حداکثر افت سرمایه را ۳۴ درصد کاهش داده (از ۱۳.۱۳- درصد به ۸.۶۷- درصد)، تعداد معاملات را ۸۸ درصد کاهش (از ۱,۳۱۷ به ۱۵۲) و درصد برد را از ۵۱.۴۰ درصد به ۵۲.۶۳ درصد افزایش داده است. فاکتور سود نیز از ۱.۰۱ به ۱.۰۴ بهبود یافته است. این نتایج نشان می‌دهد که ترکیب یادگیری عمیق با فیلتر روند ساده می‌تواند ریسک نزولی را به طور چشمگیری کنترل کرده و کیفیت سیگنال‌های معاملاتی را در عمل بهبود بخشد.

کلمات کلیدی : پیش‌بینی بازار فارکس شبکه lstm فیلتر روند ema200 تولید سیگنال معاملاتی مدیریت ریسک کاهش افت سرمایه