جستجو
ترکیب شبکه LSTM و فیلتر روند EMA200 برای تولید سیگنال معاملاتی کمریسک در بازار فارکس
کورش پرند1 سجاد خالقی2
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
زبان مقاله : فارسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABFGBF
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABFGBF
سایر مقالات ارائه دهنده
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems