بهبود عملکرد عامل یادگیری تقویتی در معاملات بازار فارکس با استفاده از AUXILIARY TASKS

امروزه بیشتر مردم به دلیل نوسانات در اقتصاد کشورها، تمایل به کسب درآمد اضافی از منابع دیگر مانند بازار فارکس را دارند. هدف ما این است که با استفاده از روش&zwnjهای مدرن به معامله در بازار فارکس بپردازیم.

به طور کلی معاملات در این بازارها به دو صورت سنتی و مدرن انجام می&zwnjشود. روش&zwnjهای مدرن مانند یادگیری ماشین با وجود توانایی قابل قبول در پیش بینی قیمت های آتی سری های زمانی بازار بورس و فارکس، دارای محدودیتهایی از قبیل عدم توانایی در انجام معاملات هستند. انگیزه ما از این پایان نامه خلق یک رویکرد جدید را برای بهبود فرآیندهای تصمیم&zwnjگیری و اجرای معاملات اتوماتیک در محیط پویا و پیچیده بازار معاملاتی فارکس می باشد.

این پایان نامه یک الگوریتم پیشنهادی با بهره&zwnjگیری از تکنیک&zwnjهای یادگیری تقویتی عمیق، به بهینه&zwnjسازی استراتژی&zwnjهای معاملاتی از طریق کار کمکی کمک می&zwnjکند. زیرا این الگوریتم ها، چالش&zwnjهای مرسوم مرتبط با معاملات فارکس، مانند شرایط بازار غیر ثابت و نوسانات بالا، سیستم&zwnjهای انطباقی و هوشمند را برای تصمیم&zwnjگیری مؤثر فراهم می نماید.

این الگوریتم از یک چارچوب یادگیری تقویتی عمیق  استفاده می&zwnjکند که به عامل اجازه می&zwnjدهد تا اقدامات بهینه را از طریق آزمون و خطا بیاموزد و به طور مداوم با پویایی بازار در حال تحول سازگار شود. کار کمکی برای توانمندسازی عامل در شناسایی و پاسخگویی به ویژگی&zwnjهای مربوطه استفاده شده است و الگوریتم را قادر می&zwnjسازد تا الگوها و همبستگی&zwnjهای معنادار را به طور مستقل استخراج کند. جنبه نظارت نشده الگوریتم اتکا به داده&zwnjهای برچسب گذاری شده را کاهش می&zwnjدهد و آن را به ویژه در بازار فارکس که در آن به دست آوردن داده&zwnjهای آموزشی برچسب&zwnjدار چالش برانگیز است سودمند می&zwnjکند.

از طریق استفاده از معماری&zwnjهای شبکه عصبی پیشرفته، الگوریتم پیشنهادی می&zwnjتواند به طور موثر روابط پیچیده را در داده&zwnjهای بازار تاریخی ثبت کند و تصمیم&zwnjگیری آگاهانه را تسهیل کند. نتایج حاصل از این پایان نامه نشان داده است که استفاده از کار کمکی باعث بهبود عملکرد مدل پیشنهادی شده است و توانسته است بازدهی بهتر از مدل پایه داشته باشد.