پیشبینی حرکت جهتدار دادههای فارکس با استفاده از شاخص های فنی و اقتصاد کلان

فارکس (ارز خارجی) یک بازار مالی ویژه است که هم ریسک بالا و هم فرصت های سود بالایی را برای معامله گران به همراه دارد. این نیز یک بازار بسیار ساده است زیرا معامله گران می توانند فقط با پیش بینی جهت نرخ ارز بین دو ارز سود ببرند. با این حال, پیش بینی های نادرست در فارکس ممکن است ضرر و زیان بسیار بالاتر از در دیگر بازارهای مالی معمولی باعث. نیاز پیش بینی جهت باعث می شود مشکل کاملا متفاوت از سایر مشکلات معمول پیش بینی سری زمانی باشد. در این کار ما از یک ابزار یادگیری عمیق محبوب به نام "حافظه کوتاه مدت بلند" استفاده کردیم که نشان داده شده است در بسیاری از مشکلات پیش بینی سری زمانی برای پیش بینی جهت در فارکس بسیار موثر است. ما از دو مجموعه داده مختلف—یعنی داده های اقتصاد کلان و داده های شاخص فنی—استفاده کردیم زیرا در دنیای مالی تحلیل بنیادی و فنی دو تکنیک اصلی هستند و به ترتیب از این دو مجموعه داده استفاده می کنند. مدل هیبریدی پیشنهادی ما که ترکیبی از دو مجموعه داده جداگانه مربوط به این دو مجموعه داده است در تجربیات با استفاده از داده های واقعی کاملا موفق بود.

مقدمه

بازار ارز که به فارکس یا فارکس معروف است یک بازار مالی است که ارز به طور همزمان خریداری و فروخته می شود. فارکس با حجم بیش از 5 تریلیون دلار بزرگترین بازار مالی جهان است. این یک بازار غیرمتمرکز است که 24 ساعت در روز به جز روزهای تعطیل فعالیت می کند و این امر کاملا متفاوت از سایر بازارهای مالی است.

ویژگی های فارکس در مقایسه با سایر بازارها تفاوت هایی را نشان می دهد. این تفاوت ها می تواند مزایایی را برای معامله گران فارکس برای فرصت های تجاری سودمند تر به ارمغان بیاورد. برخی از این مزایا شامل هیچ کمیسیون, بدون واسطه, هیچ اندازه زیادی ثابت, هزینه های معامله کم, نقدینگی بالا, معاملات تقریبا لحظه, حاشیه کم/اهرم بالا, عملیات 24 ساعته, بدون تجارت خودی, مقررات محدود, و فرصت های تجاری اینترنتی. از دو نوع تکنیک برای پیش بینی مقادیر بعدی سری های زمانی مالی معمول استفاده می شود—تحلیل بنیادی و تحلیل فنی—و هر دو می توانند برای فارکس استفاده شوند. اولی از عوامل اقتصاد کلان استفاده می کند در حالی که دومی از داده های تاریخی برای پیش بینی قیمت بعدی یا جهت قیمت استفاده می کند.

تصمیم اصلی در فارکس شامل پیش بینی حرکت جهت بین دو ارز است. معامله گران می توانند از معاملات با پیش بینی جهت صحیح سود ببرند و با پیش بینی نادرست ضرر کنند. بنابراین شناسایی حرکت جهت دار از مشکلات مورد توجه در این مطالعه است.

ما جفت یورو/دلار (یورو/دلار) را برای تجزیه و تحلیل انتخاب کردیم زیرا این بزرگترین جفت ارز معامله شده فارکس در جهان است که بیش از 80 درصد از کل حجم فارکس را تشکیل می دهد.

در سال های اخیر ابزارهای یادگیری عمیق مانند حافظه کوتاه مدت محبوب شده اند و برای بسیاری از مشکلات پیش بینی سری های زمانی موثر هستند. به طور کلی چنین مشکلاتی بر تعیین مقادیر بعدی داده های سری زمانی با دقت بالا متمرکز است. با این حال, در مشکلات پیش بینی جهت, دقت نمی تواند به عنوان به سادگی تفاوت بین مقادیر واقعی و پیش بینی تعریف شده. بنابراین لازم است یک لایه تصمیم جدید مبتنی بر قانون پس از اخذ پیشبینیها اضافه شود.

در این کار ما یک مدل ترکیبی متشکل از یک مدل ال.اس. اس. ام اقتصاد کلان و یک مدل ال. اس. ام فنی را پیشنهاد میکنیم که بر اساس انواع دادههایی که استفاده میکنند نامگذاری شده است. ما ابتدا به طور جداگانه اثرات این داده ها را بر حرکت جهت بررسی کردیم. سپس نتایج را با هم ترکیب کردیم تا دقت پیش بینی را به میزان قابل توجهی بهبود بخشیم. مدل اقتصاد کلان از عوامل مالی متعددی از جمله نرخ بهره وجوه فدرال رزرو و نرخ تورم و استاندارد و پورز 500 و شاخص دویچر اکتین بهره میگیرد. هر عامل اثرات مهمی بر روند جفت ارز یورو / دلار دارد. این را می توان به عنوان یک تحلیل اساسی از داده های قیمت تفسیر کرد. مدل دیگر مدل ال. اس. ام فنی است که از تحلیل تکنیکال بهره میبرد. تجزیه و تحلیل فنی مبتنی بر شاخص های فنی است که توابع ریاضی هستند که برای پیش بینی عملکرد قیمت استفاده می شوند. این ویژگی در مدل ما با استفاده از شاخص های فنی محبوب مانند میانگین متحرک, میانگین متحرک واگرایی همگرایی (مک دی), نرخ تغییر (مم دی), حرکت, شاخص قدرت نسبی (بولینگر), باندهای بولینگر (بی بی), و شاخص کانال کالا (سی سی دی).

مشارکت های این مطالعه به شرح زیر است:

یک ابزار یادگیری عمیق محبوب به نام ال اس ام که اغلب برای پیش بینی مقادیر در داده های سری زمانی استفاده می شود برای پیش بینی جهت در داده های فارکس اتخاذ شده است.

هر دو شاخص اقتصاد کلان و فنی به عنوان ویژگی هایی برای پیش بینی استفاده می شوند.

یک مدل ترکیبی جدید پیشنهاد شده است که دو مدل مختلف را با قوانین تصمیم گیری هوشمند ترکیب می کند تا دقت تصمیم گیری را با حذف معاملات با اطمینان ضعیف افزایش دهد.

مدل پیشنهادی و مدل های پایه با استفاده از داده های واقعی اخیر تست شده اند تا نشان دهند که مدل هیبریدی پیشنهادی از دیگران بهتر عمل می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است. در بخش" کار مرتبط " مطالعات مرتبط با مشکل پیش بینی سری زمانی مالی به طور کامل مورد بررسی قرار می گیرد. "مقدمات فارکس– - بخش"شاخص های فنی" اطلاعات پس زمینه در مورد فارکس و شاخص های فنی فراهم می کند. سپس بخش "مجموعه داده ها" مجموعه داده های مورد استفاده در تجربیات را نشان می دهد. بخش" مدل هیبریدی مبتنی بر ال.اس. ام. ام با استفاده از شاخصهای کلان اقتصادی و فنی " الگوریتم پیشنهادی برای رسیدگی به مساله پیشبینی حرکت جهتی را معرفی میکند. علاوه بر این مراحل پیش پردازش و پس پردازش نیز به تفصیل توضیح داده شده است. بخش "تجربیات" نتایج تجربیات و طبقه بندی عملکرد مدل پیشنهادی را نشان می دهد. بخشهای" بحث "و" نتیجه گیری " نتایج تجربی را مورد بحث قرار می دهند و بینشی را برای مسیرهای تحقیق بعدی فراهم می کنند.

کار مرتبط

روشهای مختلف پیشبینی در حوزه مالی در نظر گرفته شده است که شامل رویکردهای یادگیری ماشین (مثلا ماشینهای بردار پشتیبان و شبکههای عصبی) و روشهای جدید مانند یادگیری عمیق است. متاسفانه مقالات نظرسنجی زیادی در مورد این روش ها وجود ندارد. کاوالکانته و همکاران. (2016), بهرامیرزایی (2010), و سعد و وونش (1998) مروری بر این زمینه داشته اند. جدید ترین از این, توسط کاوالکانته و همکاران. (2016), طبقه بندی رویکردهای مورد استفاده در بازارهای مالی مختلف. اگرچه این مطالعه عمدتا روش های پیشنهادی برای بازار سهام را معرفی کرد اما همچنین برنامه های کاربردی برای بازارهای ارز را مورد بحث قرار داد.

کارهای زیادی در زمینه پیش بینی ارزش های بعدی در بازارهای سهام با استفاده از روش های مختلف یادگیری ماشین انجام شده است. در زیر در مورد برخی از این موارد بحث می کنیم.

سلواموتو و همکاران. (2019) از شبکه های عصبی مبتنی بر لونبرگ–مارکوارت استفاده کرد, گرادیان مزدوج مقیاس پذیر, و تنظیم بیزی برای پیش بینی بازار سهام بر اساس داده های تیک و داده های فاصله 15 دقیقه ای برای یک شرکت هندی.

پاتل و همکاران. (2015ب) یک ساختار همجوشی دو مرحله ای برای پیش بینی ارزش های شاخص بازار سهام برای 1-10, 15, و 30 روز با استفاده از 10 شاخص های فنی. در مرحله اول رگرسیون ماشین بردار پشتیبان بر روی این ورودیها اعمال شد و نتایج به یک شبکه عصبی مصنوعی وارد شد. در مرحله دوم از مدلهای جنگلی تصادفی و جنگلی استفاده شد. در این پژوهش مدل فیوژن را با مدلهای مستقل ان اسور و رادیویی مقایسه کردند. محققان گزارش دادند که مدل فیوژن به طور قابل توجهی در مدل های مستقل بهبود یافته است.

گورسن و همکاران. (2011) چندین مدل ان را برای پیش بینی شاخص های بازار سهام بررسی کرد. این مدلها شامل پرسپترون چندلایه, شبکه عصبی مصنوعی پویا (دان2), و شبکه های عصبی ترکیبی با هتروسداستیسیته شرطی اتورگرسیو تعمیم یافته (گارچ). با استفاده از خطای میانگین مربعی و انحراف مطلق نتایج نشان داد که عملکرد امالپ کمی بهتر از دان2 و گارچ-امالپ در حالی که گارچ-دان2 بدترین نتایج را داشت.

ونگ و همکاران. (2018) توسعه یک سیستم کارشناس مالی با استفاده از روش های گروه (به عنوان مثال, گروه رگرسیون شبکه عصبی (به عنوان مثال), گروه رگرسیون بردار پشتیبانی (به عنوان مثال), درخت رگرسیون تقویت (به), و رگرسیون تصادفی جنگل (به)) برای پیش بینی قیمت سهام 1 روز پیش. قیمت بازار, شاخص های فنی, اخبار مالی, موضوعات داغ گوگل, و تعداد بازدید کنندگان منحصر به فرد به صفحات ویکیپدیا به عنوان ورودی مورد استفاده قرار گرفت. همچنین تاثیر پارادایم بر عملکرد را مورد بررسی قرار دادند. گزارش شده است که گروه های با پی سی ای عملکرد بهتری نسبت به گروه های بدون پی سی ای داشتند. همچنین متذکر شدند که میانگین خطای درصد مطلق و میانگین خطای درصد مطلق بهترین بودند.

هوانگ و همکاران. (2005) پیش بینی جهت حرکت هفتگی بازار سهام را با استفاده از ماشین مجازی بررسی کرد. این پژوهش با تحلیل تمایز خطی و تحلیل تمایز درجه دوم و شبکههای عصبی انتشار برگشتی المان مقایسه شد. همچنین مدلی را پیشنهاد کردند که اسویام را با سایر طبقهبندیها ترکیب کند. در این پژوهش نه تنها از شاخص نیکی 225 بلکه از متغیرهای اقتصاد کلان به عنوان ویژگیهای مدل استفاده شد. محاسبه جهت خود را بر اساس اختلاف مرتبه اول تحول لگاریتمی طبیعی بود, و جهت یا افزایش یا کاهش شد. اس اس ام با دقت 73 درصد از سایر مدل ها بهتر عمل کرد در حالی که مدل ترکیبی با دقت 75 درصد بهترین بود.

کارا و همکاران. (2011) عملکرد ان و اس ام اس را برای پیش بینی جهت حرکت شاخص قیمت سهام مقایسه کرد. ده شاخص فنی به عنوان ورودی برای مدل استفاده شد. محققان دریافتند که ان با دقت 75.74 درصد عملکرد به مراتب بهتری نسبت به اس ام اس دارد که دقت 52/71 درصد بود.

پاتل و همکاران. (2015 الف) عملکرد چهار طبقه بندی کننده را برای جهت گیری شاخص قیمت سهام با استفاده از دو رویکرد مقایسه کرد. در روش اول از 10 مقدار اندیکاتور فنی به عنوان ورودی با تنظیمات پارامترهای مختلف برای طبقهبندیکنندهها استفاده شد. دقت پیش بینی در محدوده 0.7331–0.8359 کاهش یافت. در رویکرد دیگر همان 10 نتایج اندیکاتور فنی را به عنوان جهت (بالا و پایین) نشان دادند که به عنوان ورودی برای طبقهبندیکنندهها مورد استفاده قرار گرفتند. با استفاده از این روش دقت را در حدود 15 درصد برای همه طبقهبندیکنندگان افزایش دادند. اگرچه تجربیات مربوط به پیش بینی کوتاه مدت بود اما دوره جهت به صراحت توضیح داده نشد.

توپ و همکاران. (2015) روش گروه ارزیابی (جنگل تصادفی, ادابوست, و کارخانه هسته) در برابر شبکه های عصبی, رگرسیون لجستیک, ماشین مجازی, و ک-نزدیکترین همسایه برای پیش بینی 1 سال پیش. این شرکت ها از دامنه های مختلف بازار سهام در تجربیات خود استفاده کردند. با توجه به مساحت میانه زیر منحنی نمرات جنگل تصادفی بهترین عملکرد را نشان داد.

هو و همکاران. (2018) یک الگوریتم بهبود یافته سینوس–کسینوس برای بهینه سازی وزن ها و سوگیری های بی پی ان ان برای پیش بینی جهت قیمت سهام باز شاخص های میانگین صنعتی اس اند پی 500 و داو جونز معرفی کرد. با استفاده از دادههای گوگل ترندز علاوه بر قیمت بازشو, کم, و بسته شدن و همچنین حجم معاملات به نسبت ضربه 86.81% برای شاخص اس اند پی 500 و نسبت ضربه 88.98% برای شاخص میانگین صنعتی داوجونز دست یافتند.

رابط کاربری گرافیکی و همکاران. (2015) برای پیش بینی جهت شاخص قیمت سهام با تنظیمات پارامترهای مختلف مورد بررسی قرار گرفت. در این پژوهش همچنین از شاخصهای فنی متعددی به عنوان ورودی برای مدلها استفاده شد و نتایج حاصل برای مدل بیپیانان و مدلهای استدلال مبتنی بر مورد مقایسه شد. این مطالعه نشان داد که اس ام اس با دقت 8313/57 درصد از سایر مدل ها بهتر عمل کرد در حالی که سایر مدل ها به ترتیب 7332/54 و 9793/51 درصد دقت داشتند.

کیو و سونگ (2016) یک الگوریتم ژنتیک مبتنی بر بهینه سازی شده برای پیش بینی جهت قیمت روز بعد در شاخص بازار سهام ایجاد کردند. گالیم برای بهینه سازی وزن اولیه و تعصب مدل مورد استفاده قرار گرفت. دو نوع مجموعه ورودی با استفاده از چندین شاخص فنی قیمت روزانه شاخص نیکی 225 تولید و وارد مدل شد. دقت ست اول 87/60 درصد و برای ست دوم 27/81 درصد بود.

ژونگ و انکه (2017) تکنیک های کاهش سه بعدی را برای پیش بینی جهت روزانه شاخص اس اند پی 500 (جاسوسی) مورد بررسی قرار دادند. برای کاهش تعداد ویژگیها از تحلیل مولفههای اصلی و تحلیل مولفههای اصلی مقاوم فازی و تحلیل مولفههای اصلی مبتنی بر هسته استفاده شد. نتایج این تحقیق نشان داد که عملکرد ان با پی سی ای کمی بهتر از دو تکنیک دیگر است.

ژونگ و انکه (2019) از شبکه های عصبی عمیق و شبکه های عصبی مصنوعی برای پیش بینی جهت بازگشت روزانه بازار سهام استفاده کردند. این پژوهش بر روی مجموعههای دادههای تغییر شکل نیافته و تبدیل شده به پلیسی برای اعتبارسنجی مدل انجام شد.

علاوه بر روش های کلاسیک یادگیری ماشین محققان اخیرا شروع به استفاده از روش های یادگیری عمیق برای پیش بینی ارزش های بازار سهام کرده اند. ال اس ام به عنوان یک ابزار یادگیری عمیق برای کاربرد در داده های سری زمانی مانند داده های مالی ظهور کرده است.

ژانگ و همکاران. (2017) یک شبکه مکرر حافظه با فرکانس حالت را پیشنهاد کرد که تغییری در ال اس ام اس است تا قیمت سهام را پیش بینی کند. با تجزیه حالتهای پنهان سلولهای حافظه به اجزای فرکانسی چندگانه میتوانند الگوهای معاملاتی این فرکانسها را یاد بگیرند. در این پژوهش از اجزای فرکانس حالت برای پیشبینی مقادیر قیمتهای بعدی از طریق رگرسیون غیرخطی استفاده شد. از قیمت سهام چندین بخش استفاده کردند و تجربیات خود را برای پیش بینی 1 و 3 و 5 روز انجام دادند. نتایج از نظر خطای میانگین مربعی با میانگین متحرک یکپارچه اتورگرسیو و میانگین متحرک مقایسه شدند. در مراحل مختلف خطاهای 5.57 و 17.00 و 28.90 مشاهده شد که از سایر مدل ها بهتر بود.

تحقق و همکاران. (2016) پیش بینی بازار سهام را در شش حوزه مختلف با استفاده از ال اس ام اس مورد مطالعه قرار داد. او با هدف پیش بینی بعدی 3 ساعت با استفاده از داده های سهام تاریخی ساعتی. این مدل برای طبقه بندی سه کلاس تربیت شده است—یعنی 0-1 درصد افزایش می یابد و به بالای 1 درصد افزایش می یابد و کمتر از 0 درصد افزایش نمی یابد. نتایج دقت از 49.75 تا 59.5 درصد بود. این مطالعه همچنین یک شبیه ساز معاملات سهام برای تست مدل در فعالیت های معاملاتی سهام در دنیای واقعی ساخته شده است. با این شبیه ساز, او موفق به کسب سود در تمام شش حوزه سهام با میانگین 6.89%.

نلسون و همکاران. (2017) برای پیش بینی روند 15 دقیقه ای قیمت سهام با استفاده از شاخص های فنی مورد بررسی قرار گرفت. در این پژوهش از 175 اندیکاتور فنی (کتابخانه تحلیل تکنیکال خارجی) و از اندیکاتور باز و بستن و حداقل و حداکثر و حجم به عنوان ورودی مدل استفاده شد. مدل خود را با یک خط پایه متشکل از پرسپترون چندلایه مقایسه کردند, جنگل تصادفی, و مدل های شبه تصادفی. دقت ال. تی. ام برای سهام مختلف از 53 تا 55.9 درصد متغیر بود. پژوهشگران نتیجه گرفتند که تست کروسکال–والیس عملکرد بهتری نسبت به مدلهای پایه دارد.

اخیرا فیشر و کراوس (2018) به بازار سهام وارد شدند. محققان بسیاری از جنبه های مختلف بازار سهام را مورد بررسی قرار دادند و دریافتند که ال.اس. ام برای پیش بینی قیمت های بعدی برای این نوع داده های سری زمانی بسیار موفق بوده است. این پژوهشگران همچنین با ابزارهای سنتی یادگیری ماشین مقایسه کردند تا عملکرد برتر خود را نشان دهند.

دی پرسیو و هونچار (2016) از ابزارهای یادگیری ماشینی مبتنی بر شبکه عصبی سنتی برای پیش بینی قیمت استفاده کردند. همچنین راه حل های مبتنی بر گروه را با ترکیب نتایج حاصل از ابزارهای مختلف مورد تجزیه و تحلیل قرار دادند.

علاوه بر مبادلات سنتی, بسیاری از مطالعات نیز مورد بررسی قرار فارکس. برخی از مطالعات فارکس بر اساس ابزارهای یادگیری ماشین سنتی در زیر مورد بحث قرار گرفته است.

گالشچوک و موکرجی (2017) عملکرد یک شبکه عصبی پیچشی (سی ان ان) را برای پیش بینی جهت تغییر در فارکس بررسی کردند. با استفاده از نرخهای پایانی روزانه یورو و پوند/دلار و J نتایج سی ان ان را با مدلهای پایه و اس وی ام مقایسه کردند. در حالی که مدل های پایه و اس.اس. ام دقت حدود 65% داشتند اما مدل پیشنهادی سی. ان. ان دقت حدود 75% را داشت.

در همین حال, کایال (2010) بررسی استفاده از ام ال پی در فارکس. این کار از شاخص های فنی اساسی به عنوان ورودی استفاده می کرد.

غزالی و همکاران. (2009) همچنین استفاده از شبکه های عصبی برای فارکس را مورد بررسی قرار داد. در این پژوهش یک شبکه عصبی مرتبه بالاتر به نام شبکه عصبی چندجملهای پویا ریج پیشنهاد شد. در این پژوهش از یک شبکه عصبی چندجملهای ریج و یک شبکه عصبی پی-سیگما استفاده شد.

برای پیش بینی نرخ ارز, مجی و همکاران. (2009) پیشنهاد شده با استفاده از شبکه عصبی مصنوعی جدید که به عنوان یک شبکه عصبی مصنوعی پیوند عملکردی (فلان) و یک شبکه عصبی مصنوعی پیوند عملکردی (سیفلان) نامیده می شود. پژوهشگران نشان دادند که این شبکههای جدید قویتر بوده و هزینههای محاسباتی پایینتری در مقایسه با شبکههای تکثیر پشت دارند.

در چه معمولا به نام یک رویکرد علامت به بازار, قیمت های بازار به طور فزاینده ای استفاده می شود برای کالیبره کردن مدل برای تعیین کمیت خطر در بخش های مختلف. به عنوان مثال ارزش فعلی خالص یک موسسه مالی یک ورودی مهم برای تخمین ریسک ورشکستگی است (به عنوان مثال کو و همکاران. 2020) و احتمال انتشار شوک در سراسر سیستم مالی (کوو و همکاران. 2019). در چنین شرایطی قیمت سهام نه تنها به طور چشمگیری به بازار سرمایه صدمه می زند بلکه اثرات نامطلوب میان مدت بر بخش مالی به عنوان یک کل (ون و همکاران. 2019). ریسک اعتباری عامل اصلی شوک های مالی است. از این رو, ارزیابی واقع بینانه از پرداخت بدهی نیاز به یک هدف برای بانک ها. در سطح فردی وام گیرنده, نمره اعتباری یک میدان که در روش های یادگیری ماشین برای مدت زمان طولانی استفاده شده است (به عنوان مثال, شن و همکاران. 2020; وانگ و همکاران. 2020).

روش های یادگیری عمیق مانند ال تی ام به ندرت برای فارکس استفاده می شود. در یکی از کارهای اخیر شن و همکاران. (2015) یک شبکه باور عمیق اصلاح شده را پیشنهاد کرد. توانستند نشان دهند که رویکردهای یادگیری عمیق از روشهای سنتی بهتر عمل می کنند.

اگرچه استفاده از این روش در بازارهای مالی شروع شده است اما استفاده از این روش در بازار فارکس برای پیش بینی جهت بین دو ارز همانطور که در کار حاضر پیشنهاد شده است یک رویکرد جدید است.

مقدمات فارکس

فارکس دارای ویژگی هایی است که کاملا متفاوت از سایر بازارهای مالی است (کماندار 2010; اوزورهان و همکاران. 2017). برای توضیح فارکس, ما با توصیف شروع چگونه یک تجارت ساخته شده است. محاسبات سود/زیان با استفاده از تفاوت بین نسبت نهایی و نسبت اولیه جفت ارزی که معامله شده است انجام می شود. اگر نسبت جفت ارز را افزایش می دهد و معامله گر طولانی می رود, یا نسبت جفت ارز کاهش می یابد و معامله گر کوتاه می رود, معامله گر از این معامله سود زمانی که بسته است. در غیر این صورت, معامله گر سود نیست. برای مثال فرض کنیم که نسبت یورو به دلار زمانی که معامله گر معامله ای را شروع کرد 1.1500 بود که با مبلغ اولیه 10,000 دلار طول کشید. هنگامی که موقعیت بسته می شود (یعنی معامله به پایان می رسد) با نسبت 1.1550, معامله گر سود خواهد برد \ ( \ ). هنگامی که موقعیت بسته با نسبت 1.1450, معامله گر از دست خواهد داد\(10000 * (1.1500 - 1.1450) = \$50\) . علاوه بر این, این محاسبات در هیچ اهرم بر اساس. اگر معامله گر با استفاده از یک مقدار اهرم مانند 10, هر دو از دست دادن و افزایش توسط ضرب 10.

تعاریف مفصلی از مفاهیم و اصطلاحات رایج در فارکس را می توان در یافت فارکس (2018), کماندار (2010) و ارمزورهان (2017). در اینجا فقط مهمترین موارد را توضیح می دهیم.

ارز پایه, که همچنین به نام ارز معامله, ارز برای اولین بار در جفت ارز است در حالی که نقل قول ارز یک دوم در این جفت ارز است. برای نشان دادن, در جفت یورو/دلار, یورو ارز پایه است, و دلار ارز نقل قول است.

طولانی بودن (یا طولانی شدن) به معنای خرید ارز پایه یا فروش ارز نقل قول در جفت ارز است. کوتاه بودن (یا کوتاه رفتن) به معنای فروش ارز پایه یا خرید ارز نقل قول در جفت ارز است. پیپ مخفف "درصد نقطه" است که به عنوان کوچکترین میزان تغییر در نسبت ارز تعریف می شود. به طور کلی, پیپ مربوط به نقطه اعشار چهارم (یعنی, حداقل به عنوان 0.0001) که ارز. پیپت پیپ کسری است که مربوط به نقطه اعشار پنجم است (یعنی 0.00001). به عبارت دیگر 1 پیپ برابر با 10 پیپت است.

اهرم مربوط به استفاده از پول قرض گرفته شده هنگام انجام معاملات است. اهرم 1: 100 نشان می دهد که اگر یک موقعیت با حجم 1 باز می شود, حجم معامله واقعی خواهد بود 100. پس از استفاده از اهرم یکی می تواند افزایش یا از دست دادن 100 برابر مقدار که حجم. مارجین به پول قرض گرفته شده توسط یک معامله گر اشاره دارد که توسط یک کارگزار برای سرمایه گذاری با استفاده از اهرم عرضه می شود. به این ترتیب می توان سود یا زیان او را چند برابر کرد.

قیمت پیشنهادی قیمتی است که معامله گر می تواند ارز پایه را بفروشد. بپرسید قیمت قیمتی است که معامله گر می تواند ارز پایه را خریداری کند. اسپرد تفاوت بین قیمت درخواست و پیشنهاد است. اسپرد کمتر به این معنی است که معامله گر می تواند از تغییرات اندک قیمت سود ببرد. ارزش اسپرد به نوسانات و نقدینگی بازار بستگی دارد. توقف ضرر دستور فروش ارز در هنگام رسیدن به قیمت مشخص است. این سفارش برای جلوگیری از زیان های بزرگتر برای معامله گر استفاده می شود. سود سفارش توسط معامله گر برای بستن موقعیت باز است (معامله) برای افزایش زمانی که قیمت یک مقدار از پیش تعریف شده می رسد. این سفارش سود معامله گر را بدون نگرانی در مورد تغییر قیمت بازار تضمین می کند. سفارش بازار یک سفارش است که بلافاصله در قیمت فعلی انجام می شود. مبادله یک اقدام خرید و فروش همزمان برای ارز با همان مقدار با نرخ ارز رو به جلو است. این از معامله گران در برابر نوسانات نرخ بهره ارزهای پایه و نقل قول محافظت می کند. اگر ارز پایه دارای نرخ بهره بالاتر و ارز نقل قول دارای نرخ بهره پایین تر, سپس یک مبادله مثبت رخ خواهد داد; در مورد معکوس, مبادله منفی رخ خواهد داد.

تجزیه و تحلیل بنیادی و تجزیه و تحلیل فنی دو تکنیک است که معمولا برای پیش بینی قیمت های بعدی در فارکس استفاده می شود. در حالی که اولین بار است که در عوامل اقتصادی بر اساس, دومی مربوط به اقدامات قیمت (کماندار 2010).

تجزیه و تحلیل بنیادی با تمرکز بر اقتصادی, اجتماعی, و عوامل سیاسی است که می تواند باعث قیمت به حرکت بالاتر, حرکت پایین تر, و یا همان ماندن (کماندار 2010; مورفی 1999). به این عوامل عوامل اقتصاد کلان نیز گفته می شود. گزارش داده های اقتصادی, نرخ بهره, سیاست های پولی, و تجارت بین المللی/جریان سرمایه گذاری برخی از نمونه ها (اوزورهان و همکاران. 2017).

تجزیه و تحلیل فنی فقط از قیمت برای پیش بینی حرکت قیمت های بعدی استفاده می کند (کریتزر و سرویس 2012). این رویکرد اثر حرکت قیمت را مطالعه می کند. تجزیه و تحلیل فنی عمدتا با استفاده از باز, زیاد, کم, بستن, و داده های حجم برای پیش بینی جهت بازار و یا تولید فروش و خرید سیگنال (کماندار 2010). این بر اساس سه فرض زیر است (مورفی 1999):

اقدام بازار همه چیز را تخفیف می دهد.

حرکت قیمت در روند.

تاریخ تکرار می شود.

تجزیه و تحلیل نمودار و تجزیه و تحلیل قیمت با استفاده از شاخص های فنی دو رویکرد اصلی در تجزیه و تحلیل فنی هستند. در حالی که اولی برای تشخیص الگوها در نمودارهای قیمت استفاده می شود, دومی برای پیش بینی اقدامات بعدی قیمت استفاده می شود (اوزورهان و همکاران. 2017).

حافظه کوتاه مدت بلند مدت

حافظه کوتاه مدت بلند توسط هوکریتر و اشمیدهوبر (1997) پیشنهاد شد. شبکه عصبی راجعه یک معماری شبکه عصبی راجعه است که برای غلبه بر مشکل گرادیان ناپدید شونده موجود در شبکه های عصبی راجعه معمولی (بیهل 2005) طراحی شده است. خطاهای بین لایه ها تمایل به از بین رفتن یا منفجر شدن دارند که باعث ایجاد وزنهای نوسانی یا زمانهای همگرایی طولانی غیرقابل قبول می شود. ساختار اولیه این مشکل را با معرفی چرخ فلک خطای ثابت حل میکند. به این ترتیب معماری جریان خطای ثابت بین واحدهای خود متصل را تضمین می کند (هوکریتر و اشمیدهوبر 1997).

سلول حافظه ساختار اولیه از یک دروازه ورودی و یک دروازه خروجی تشکیل شده است. در حالی که دروازه ورودی تصمیم می گیرد که اطلاعات باید نگه داشته و یا به روز شده در سلول حافظه, دروازه خروجی کنترل که اطلاعات باید خروجی. این استاندارد با معرفی ویژگی جدیدی به نام دروازه فراموشی (گرس و همکاران) تمدید شد. 2000). دروازه فراموشی وظیفه تنظیم مجدد حالت حافظه را دارد که حاوی اطلاعات منسوخ شده است. همچنین اتصالات روزنه و تکثیر کامل پشت در طول زمان از ویژگیهای نهایی است که به معماری ال.اس. اس. ام (گرس و اشمیدهوبر 2000 و گرف و همکاران اضافه شده است. 2017). با این تغییرات, معماری تغییر نام داد وانیل ال اس ام (گرف و همکاران. 2017), همانطور که در شکل نشان داده شده است. 1.

وانیل ال اس ام (گرف و همکاران. 2017)

یک مدل موثر و مقیاس پذیر برای مشکلات یادگیری است که شامل داده های متوالی (گرف و همکاران. 2017). در زمینه های مختلفی از جمله تشخیص دست خط (گورهای و همکاران) مورد استفاده قرار گرفته است. 2009; فام و همکاران. 2014) و نسل (گورهای 2013), مدل سازی زبان (زارمبا و همکاران. 2014) و ترجمه (لوونگ و همکاران. 2015), مدل سازی صوتی گفتار (ضیا و زاهد 2019), سنتز گفتار (فن و همکاران. 2014), پیش بینی ساختار ثانویه (ارمندربی و وینتر 2014), تجزیه و تحلیل صوتی (مارچی و همکاران. 2014) و تجزیه و تحلیل داده های ویدیویی (دوناهو و همکاران. 2017; گرف و همکاران. 2017).

پاس رو به جلو

یکی از دو عملیات اصلی ال تی ام, نشان داده شده در شکل. 1, است که به نام پاس رو به جلو. در پاس رو به جلو, محاسبه رو به جلو حرکت می کند با به روز رسانی وزن (گرف و همکاران. 2017). وزن های ال تی ام را می توان به صورت زیر دسته بندی کرد:

Input weights: \(W_z, W_i, W_f, W_o \, \in \, \mathbb >\)

Recurrent weights: \(R_z, R_i, R_f, R_o \, \in \, \mathbb >\)

روزنه وزن: \(من, پی اف, ص\, \به \, \ \ ماتب \)

این برنامه به شما کمک می کند تا وزن خود را تغییر دهید ,

جایی که الف ورودی بلوک است, من دروازه ورودی هستم, اف دروازه فراموشی است, ای دروازه خروجی است, ن تعداد بلوک های ال اس ام است, و متر تعداد ورودی ها است. با معرفی \(ایکس^تی\) به عنوان بردار ورودی, \(بله^تی\) به عنوان خروجی بلوک, و \(ج^تی\) به عنوان سلول در زمان تی, فرمول گذر رو به جلو در وانیل لاستیم را می توان به صورت زیر تعریف کرد: