حسین حق بین

در این پژوهش، یک چارچوب یادگیری عمیق با دو ورودی برا ی پیش بینی قیمت بسته شدن روزانه جفتارز USD/EUR ارائه م ی شود . در روش پیشنهادی، ویژگی های بنیادی و تکنیکال بهصورت هم زمان اما در دو شاخه بازگشت ی مستقل پردازش شده و سپس در یک الیه همجوش ی ادغام می شوند تا وابستگی های زمانی و تعامل میان دو نوع سیگنال به صورت یکپارچه آموزش داده شود. داده ها با حفظ ترتیب زمانی پیش پردازش و به توالی های زمانی تبدیل شده و مدل ها در یک فرآیند آموزش و ارزیابی منسجم مقایسه می شوند. برای بررسی اثر نوع سلول بازگشتی، معماری مرجع مبتنی بر LSTM با نسخه متناظر مبتنی بر GRU تحت شرایط مشابه ارزیابی شد. نتایج کلی نشان م ی دهد چارچوب دوورودی، با بهره گیری هم زمان از اطالعات بنیادی و تکنیکال، توانایی مناسبی در یادگیری الگوهای زمانی دارد و نسخه مبتنی بر GRU در مقایسه با LSTM، تعمیم پذیری و دقت پ یش بینی بهتر ی از خود نشان می دهد