نیلوفر اسلامی

این پژوهش با هدف تحلیل رفتار معامله گران خرد در بازار سرمایه و ارائه یک چارچوب هوشمند مبتنی بر یادگیری تقویتی و داده های سفارشات لحظه ای انجام شده است. در سال های اخیر، پیچیدگی روزافزون بازارهای مالی و نقش پررنگ داده های با فرکانس بالا، ضرورت استفاده از مدل های پیشرفته محاسباتی را در تحلیل رفتار بازار افزایش داده است. در این راستا، بازار سرمایه به عنوان یک سیستم پیچیده تطبیقی در نظر گرفته شده و رفتار معامله گران خرد از طریق داده های دفتر سفارشات محدود و با استفاده از الگوریتم های یادگیری تقویتی مدل سازی شده است. در این پژوهش، سه الگوریتم اصلی شامل یادگیری کیو و شبکه کیو عمیق، روش بازیگر منتقد و روش بازیگر منتقد نرم برای تحلیل و پیش بینی رفتار بازار مورد استفاده قرار گرفتند. داده های مورد استفاده شامل ویژگی های استخراج شده از دفتر سفارشات لحظه ای از جمله عدم تعادل سفارشات، عمق بازار، جریان سفارشات و تغییرات لحظه ای قیمت بوده است. نتایج نشان داد که مدل های یادگیری تقویتی، به ویژه روش بازیگر–منتقد نرم، عملکرد بهتری نسبت به سایر مدل ها در شاخص هایی مانند دقت پیش بینی، بازدهی تجمعی و کنترل ریسک دارند. همچنین مشخص شد که عدم تعادل سفارشات مهم ترین متغیر تأثیرگذار در پیش بینی جهت بازار است. یافته ها بیانگر آن است که ترکیب یادگیری تقویتی با داده های سطح خرد بازار می تواند الگوهای رفتاری پنهان معامله گران خرد را استخراج کرده و دقت تصمیم گیری در محیط های مالی پویا را به طور معناداری افزایش دهد. این چارچوب می تواند به توسعه سیستم های معاملاتی هوشمند و بهبود درک رفتار بازار در سطح خرد کمک کند.