پدرام صالحی

در سال های اخیر، گسترش بازارهای مالی و افزایش پیچیدگی رفتار قیمت ها، استفاده از روش های هوشمند در طراحی راهبردهای معاملاتی را به یک ضرورت تبدیل کرده است. بازار آتی سکه به عنوان یکی از بازارهای پرنوسان و حساس به متغیرهای کلان اقتصادی، محیطی مناسب برای توسعه و ارزیابی الگوریتم های معاملاتی پیشرفته محسوب می شود. در این پژوهش، یک چارچوب نوین مبتنی بر یادگیری تقویتی عمیق برای طراحی سامانه معاملات الگوریتمی بهینه در بازار آتی سکه ارائه می شود. مدل پیشنهادی با ترکیب شبکه های عصبی عمیق و الگوریتم های یادگیری تقویتی، اقدام به یادگیری سیاست معاملاتی بهینه از طریق تعامل مستمر با محیط بازار می کند.در این چارچوب، وضعیت بازار شامل متغیرهایی مانند قیمت، حجم معاملات و شاخص های فنی بوده و تابع پاداش به گونه ای طراحی شده است که علاوه بر بازدهی، ریسک نیز در فرایند تصمیم گیری لحاظ شود. نتایج اولیه حاصل از شبیه سازی نشان می دهد که مدل پیشنهادی نسبت به راهبردهای سنتی مبتنی بر تحلیل فنی، عملکرد بهتری از نظر بازده تعدیل شده بر اساس ریسک و کنترل افت سرمایه دارد. یافته های این پژوهش بیانگر آن است که یادگیری تقویتی عمیق می تواند ابزاری مؤثر برای طراحی سامانه های معاملاتی هوشمند در بازارهای مالی پیچیده و غیرخطی باشد.همچنین تحلیل حساسیت نتایج نشان می دهد که عملکرد مدل در شرایط مختلف بازار، از جمله روندهای صعودی، نزولی و خنثی، نسبتاً پایدار بوده و نوسانات عملکردی آن در مقایسه با روش های کلاسیک کمتر است. این موضوع بیانگر توانایی مدل در تطبیق با تغییر رژیم های بازار و یادگیری الگوهای رفتاری متغیر در طول زمان است. افزون بر این، لحاظ کردن هزینه های معاملاتی در فرایند شبیه سازی باعث شده است که نتایج به شرایط واقعی بازار نزدیک تر باشد و از بیش برآورد عملکرد جلوگیری شود. از منظر مدیریت ریسک نیز مدل پیشنهادی توانسته است با کنترل هم زمان بازده و افت سرمایه، تعادل مناسبی میان سودآوری و پایداری سرمایه ایجاد کند.در نهایت، این پژوهش نشان می دهد که ترکیب یادگیری تقویتی عمیق با داده های مالی می تواند مسیر مناسبی برای توسعه نسل جدید سامانه های هوشمند معاملات الگوریتمی فراهم سازد.