پیشبینی هوشمند روند قیمت طلا در بازار مالی با استفاده از شبکههای عصبی (LSTM)مبتنی بر استراتژیهای معاملاتی محافظهکارانه
پیشبینی هوشمند روند قیمت طلا در بازار مالی با استفاده از شبکههای عصبی (LSTM)مبتنی بر استراتژیهای معاملاتی محافظهکارانه
محبوبه محسن الحسینی1 علی مختارباف2 سید جواد میرعابدینی3
1) دانشجوی کارشناسی ارشد گروه مهندسی کامپیوتر،واحد تهران مرکزی، دانشگاه آزاد اسلامی،تهران، ایران،
2) استادیار گروه مهندسی کامپیوتر،واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران،
3) استادیار گروه مهندسی کامپیوتر، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران،
کد IOI مقاله
:
AAHD-ABKKEF
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
پیشبینی نوسانات قیمت داراییهای استراتژیک نظیر طلا به دلیل تأثیرپذیری بالا از متغیرهای کلان اقتصادی، رویدادهای ژئوپلیتیک و مکانیزمهای پیچیده بازار، همواره یکی از چالشهای بنیادین در حوزه مهندسی مالی و هوش مالی به شمار میرود. هدف این پژوهش، توسعه و ارزیابی یک مدل یادگیری عمیق ساختاریافته بر پایه شبکههای حافظه طولانی کوتاهمدت (LSTM) جهت پیشبینی جهت تغییرات قیمت طلا ) نماد GC=F) و پیادهسازی یک سیستم معاملاتی الگوریتمی با رویکرد مدیریت ریسک محافظهکارانه است. در این راستا، دادههای روزانه قیمت طلا در بازه زمانی ۲۰۱۷ تا ۲۰۲۶ استخراج گردید و پس از پیشپردازش و مهندسی ویژگیها با استفاده از شاخص قدرت نسبی (RSI) و انحراف معیار بازدهی، وارد شبکه عصبی تکراری شد. به منظور مقابله با دادههای پرت، از الگوریتم مقیاسگذاری مقاوم (Robust Scaler) بهره گرفته شد. یافتههای تجربی حاصل از شبیهسازی و تست پسنگر (Backtesting) نشان میدهد که استراتژی مبتنی بر هوش مصنوعی (AI Strategy) توانست با ثبت بازدهی تقریبی ۹۰ درصد (ارتقای سرمایه از ۱۰,۰۰۰ به ۱۹,۰۲۳ واحد) و کاهش چشمگیر حداکثر افت سرمایه (MDD) در مقایسه با شاخص سنتی خرید و نگهداری (Benchmark)، عملکرد بهینهای ارائه دهد. ارزیابی ماتریس آشفتگی نیز حاکی از کنترل دقیق ریسک و فیلتر کردن سیگنالهای مثبت کاذب است که این امر کارایی بالای مدلهای توالیمحور را در بازارهای با نوسان بالا تایید میکند [1].
کلمات کلیدی : یادگیری عمیق شبکه حافظه طولانی کوتاهمدت (lstm) پیشبینی بازارهای مالی سیستمهای معاملاتی الگوریتمی مدیریت ریسک سریهای زمانی طلا