پیش‌بینی جهت حرکت قیمت طلا در بازار فارکس مبتنی بر نمایانگرهای ایچیموکو با استفاده از روش‌های سنتی یادگیری ماشین

Abstract

با توجه به نوسانات شدید بازارهای مالی به‌ویژه بازار تبادل ارز (فارکس)، شناسایی زمان مناسب برای خرید و فروش از اهمیت بالایی برخوردار است. این پژوهش با هدف ارائه روشی کارا برای پیش‌بینی جهت حرکت قیمت، مجموعه‌داده‌ای اختصاصی را بر اساس استراتژی معاملاتی الگوریتمی مبتنی بر نمایانگر ایچیموکو و الگوی پوششی شمع‌های قیمتی تولید و برچسب‌گذاری کرده است. سپس از دو روش سنتی یادگیری ماشین شامل ماشین بردار پشتیبان (SVM) و جنگل تصادفی (Random Forest) برای مدل‌سازی استفاده شده است. نتایج نشان می‌دهد که مدل جنگل تصادفی با دقت 75% عملکرد بهتری نسبت به SVM داشته و توانایی این رویکرد در بهبود دقت پیش‌بینی را تأیید می‌کند. این پژوهش گامی نوین در جهت پیوند میان تحلیل تکنیکال و یادگیری ماشین برای طراحی سیستم‌های معاملاتی هوشمند محسوب می‌شود.