مهدی حق شناس بولو

در سال های اخیر، گسترش بازار ارزهای دیجیتال و نوسانات شدید قیمتی آن، نیاز به توسعه روش های پیش بینی دقیق و سیستم های معاملاتی هوشمند را افزایش داده است. در این پژوهش، یک الگوریتم معاملاتی هوشمند مبتنی بر شبکه عصبی حافظه طولانی کوتاه مدت برای پیش بینی قیمت و تولید سیگنال های خرید و فروش در بازار ارزهای دیجیتال ارائه شده است. هدف اصلی این مطالعه، بهبود عملکرد تصمیم گیری معاملاتی و کاهش ریسک ناشی از نوسانات غیرقابل پیش بینی بازار است. مدل پیشنهادی با استفاده از داده های تاریخی قیمت شامل قیمت باز، بسته، بیشینه، کمینه و حجم معاملات آموزش داده شده و قادر است وابستگی های زمانی بلندمدت موجود در داده های سری زمانی مالی را استخراج کند. در این تحقیق، ابتدا داده ها پیش پردازش شده و نرمال سازی می شوند، سپس ساختار شبکه LSTM طراحی و بهینه سازی می گردد. خروجی مدل به صورت پیش بینی روند قیمتی بوده و بر اساس آن سیگنال های معاملاتی تولید می شود. نتایج آزمایش ها نشان می دهد که مدل LSTM در مقایسه با روش های سنتی مانند میانگین متحرک و رگرسیون خطی، دقت بالاتری در پیش بینی روند قیمت دارد و عملکرد بهتری در تولید سیگنال های معاملاتی ارائه می دهد. همچنین، استفاده از این مدل موجب افزایش بازدهی سرمایه گذاری و کاهش خطای تصمیم گیری در شرایط نوسانی بازار می شود. در نهایت، یافته های این پژوهش نشان می دهد که بهره گیری از شبکه های عصبی عمیق به ویژه LSTM می تواند نقش مؤثری در توسعه سیستم های معاملاتی هوشمند در بازار ارزهای دیجیتال ایفا کند و به عنوان ابزاری کارآمد برای تحلیل گران مالی و سرمایه گذاران مورد استفاده قرار گیرد.