بهینه‌سازی سرمایه‌گذاری فارکس با استفاده از صعود شیب تصادفی آنی - فرمول‌بندی یک رویکرد یادگیری ماشینی تطبیقی

در دنیای پیچیده مالی کنونی، ارزهای کاغذی به دلیل عوامل متعددی مانند کسری حساب جاری، ذخایر طلا، ذخایر دلار، ثبات سیاسی، امنیت، وجود جنگ در منطقه و غیره آسیب پذیر و ناپایدار هستند. در بالا، منجر به نوسان و بی ثباتی در ارزش ارز می شود. با توجه به کاهش ارزش برخی از کشورهای آسیایی مانند پاکستان، سریلانکا، ترکیه و اوکراین، در حال حاضر تمایل برخی کشورها برای نگاه کردن به سیستم سوئیفت وجود دارد. وجود ذخایر تنها در یک ارز امکان پذیر نیست و بنابراین، بازارهای فارکس احتمالاً رشد قابل توجهی در حجم خود خواهند داشت. در این تحقیق، این چالش را برای کار بر روی داشتن ذخایر ارزی پایدار در چندین ارز جهانی در نظر می گیریم. این تحقیق با هدف غلبه بر آسیب‌پذیری‌های آن‌ها و در عوض، بهره‌برداری از ماهیت فرار آنها برای دستیابی به پایداری در ذخایر فارکس انجام شده است. در این راستا، ما برای فرمول‌بندی این مشکل و ارائه یک استراتژی سرمایه‌گذاری فارکس با الهام از بهینه‌سازی شیب صعود، یک الگوریتم بهینه‌سازی تکراری قوی، کار می‌کنیم. ماهیت پویای بازار فارکس ما را به تدوین و توسعه روش شیب صعودی تصادفی آنی سوق داد. برخلاف بهینه‌سازی شیب شیب مرسوم، که کل جمعیت یا نمونه آن را در نظر می‌گیرد، بهینه‌سازی شیب شیب تصادفی آنی پیشنهادی (ISGA) تنها نمونه دفعه بعدی را برای به‌روزرسانی استراتژی سرمایه‌گذاری در نظر می‌گیرد. ما استراتژی پیشنهادی سرمایه‌گذاری فارکس را بر روی داده‌های فارکس حاوی ارزش‌های چند ارزی یک ساله به کار بردیم و نتایج در مقایسه با استراتژی‌های سرمایه‌گذاری مرسوم بسیار سودآور است.

1. مقدمه

در این دوران گذار از ارز کاغذی به ارزهای پلاستیکی و دیجیتال، ماهیت آسیب پذیری ها پیچیدگی بیشتری پیدا کرده است. اکنون ارزهای جهانی تحت تأثیر عواملی هستند که محدود به عرضه و تقاضا، کسری حساب جاری، ذخایر طلا، ذخایر دلار، قیمت نفت، ثبات سیاسی، امنیت و وجود جنگ در آن کشور یا حتی همسایگی آن نیست.، 3]. در این دوره از دهکده جهانی، جنگ حتی در یک کشور موج های اقتصادی در سراسر جهان ایجاد می کند. این عوامل منجر به نوسانات ارزهای جهانی و در نتیجه بی ثباتی در اقتصاد آنها می شود [4]. به طور خاص، با گرایش فعلی به نگاه فراتر از سیستم سوئیفت موجود، خطر نوسان ارز ذکر شده به ظاهر بیشتر است و این امر محیط پیچیده تری را برای اقتصادهای جهان به ویژه در کشورهای در حال توسعه ایجاد می کند [5،6،7،8،9]. بازارهای فارکس (بازارهای مبادلات ارزی که در آن دلالان ارزهای مختلفی را با تفاوت جزئی در نرخ خرید و فروش مبادله می کنند، بازار آزاد فارکس نامیده می شود؛ این فعالیت تجاری نیز با استفاده از کانال های بانکی انجام می شود و به آن فارکس بین بانکی می گویند)مستقیماً تحت تأثیر چنین بی ثباتی هایی در اقتصادهای محلی و بین المللی قرار دارند.

به دلیل تغییر جهان به دهکده جهانی ، حجم معاملات فارکس در دهه های اخیر به صورت تصاعدی افزایش یافته است. براساس این آمار ، پیش بینی می شود بازار جهانی فارکس در سال 2022 حدود 2. 409 دلار باشد ، یعنی تقریباً 6. 6 تریلیون دلار در روز برای معاملات در بازارهای ارزی [10،11]. چنین حجم عظیمی از بازار به دلیل بی ثباتی جهانی مستقیماً در معرض خطر بالقوه است و اگر این بازار ناپایدار باشد یا به طور نامشخص سقوط کند ، این اثرات اقتصادی مهمی خواهد داشت.

در حال حاضر ، در بازارهای فارکس ، روند داشتن چند ارز مشهور برای تجارت وجود دارد. خاطرنشان می شود که خطرات داشتن ذخایر در چند ارز نسبت به داشتن ذخایر در همه ارزهای جهانی محتمل تر است [12،13،14]. بدبخت ، انتخاب دوم برای تجارت امکان پذیر نیست ، در حالی که انتخاب اول خطرات مربوط به آن را دارد. در همین راستا ، داشتن ذخایر مناسب در ارزهای متعدد ، اگرچه به نظر ساده و خوشبختانه به نظر می رسد ، همچنین می تواند از ماهیت پویا بازار جهانی فارکس استفاده کند. اگرچه بیشتر بازار تجارت جهانی و فارکس حاکم بر دلار است [14،15] ، آخرین روند تجارت کشورهایی که به ارزهای محلی تجارت می کنند ، ایجاد فضایی برای داشتن ذخایر در ارزهای متعدد است ، بنابراین استقلال بیشتری در ارزش ارزی سایر کشورها تضمین می کند. یا اقتصاد آنها [16،17،18،19،20]. همین مشکل برای پس انداز فردی در ارزهای بین المللی نیز وجود دارد. این اهمیت تقاضا برای چنین مطالعه ای در مورد داشتن ذخایر در ارزهای متعدد برای به حداقل رساندن خطرات مرتبط و در عین حال از ماهیت پویا بازار فارکس ایجاد می کند. در این تحقیق ، ما این چالش را برای کار بر روی تدوین یک استراتژی سرمایه گذاری خودکار و سازگار با استفاده از حداکثر صعود شیب [21،22] که برای مشکل فرموله شده اعمال می شود ، در نظر می گیریم.

2. کار مرتبط

در بازار مبادله فارکس ، که از نظر ماهیت بی ثبات و پویا است [23،24] ، از هر دو روش یادگیری معمولی و ماشین برای پیش بینی ارزش سری زمانی مالی استفاده می شود. در ادبیات ، رویکردهای آماری و مبتنی بر یادگیری ماشین در حوزه پیش بینی سری زمانی مالی وجود دارد [25].

از تکنیک های آماری که داده های فارکس را به عنوان سری زمانی در نظر می گیرند ، اشتغال مدل میانگین متحرک یکپارچه خودجوش (ARIMA) مورد توجه جامعه تحقیقات قرار گرفته است [26]. به طور غیرقانونی ، Arima به داده های ثابت نیاز دارد ، خاصیتی که داده های فارکس ممکن است لزوماً نداشته باشد. در این راستا ، پرداختن به عدم اطمینان مربوط به فرآیند تصادفی برای تولید سری زمانی ، ترکیبی از سری زمانی فازی با Arima فازی پیش بینی بهتری نسبت به مدل های سنتی نشان می دهد [27]. علاوه بر تکنیک های ARIMA و FUZZY ARIMA ، پیش بینی میانگین متحرک (ARMA) [28] و پیش بینی ذرات فیلتر [29] نیز نامزدهای خوبی در بین تکنیک های آماری برای پیش بینی سری زمانی هستند زیرا لزوماً به داده های ثابت احتیاج ندارند.

برخلاف این روش‌های پیش‌بینی آماری مرسوم، تعداد کمی از محققان از تکنیک‌های یادگیری ماشین برای پیش‌بینی سری‌های زمانی مالی استفاده می‌کنند. مدل‌های یادگیری ماشین قبلاً نتایج امیدوارکننده‌ای را برای حوزه‌های تحقیقاتی مختلف نشان داده‌اند [30،31]. در میان تکنیک‌های یادگیری ماشین، کارهای مرتبط از هر دو حوزه تکنیک‌های یادگیری متعارف و عمیق وجود دارد [32،33]. کیم و همکاران از تکنیک‌های یادگیری ماشین مرسوم.[34] ماشین‌های بردار پشتیبان مختلف (SVM) را برای پیش‌بینی سری زمانی مالی بررسی کرد. برای به حداکثر رساندن عملکرد SVMها، Jaiwang و همکاران.[35] روی ارتقای مدل آموزشی SVM با استفاده از هوش محاسباتی و تکنیک‌های بهینه‌سازی مبتنی بر محاسبات تکاملی کار کردند. در مدل آنها، پیش‌بینی SVM همراه با الگوریتم ژنتیک (GA) از سایر تکنیک‌های بهینه‌سازی بهتر عمل کرد.

برخلاف تکنیک‌های یادگیری ماشین مرسوم، تکنیک‌های یادگیری عمیق نیز در پیش‌بینی سری‌های زمانی مالی مورد توجه قرار گرفته‌اند [32،33]. در میان این تکنیک‌های یادگیری عمیق، استفاده از پرسپترون چندلایه (MLP)، شبکه عصبی بازگشتی (RNN)، واحد بازگشتی دروازه‌ای (GRU) و حافظه کوتاه‌مدت بلند مدت (LSTM) در پیش‌بینی سری‌های زمانی در ادبیات ارائه شده است [33].]. ماهیت MLP اساساً رگرسیون غیرخطی است که قادر به بهره برداری از رابطه همزیستی داده های گذشته و حال نیست [36]. با این حال، Jarusek و همکاران با موفقیت از آن استفاده کردند.[37] برای بهره برداری از الگوهای موج الیوت برای پیش بینی نرخ فارکس. برخلاف شبکه عصبی مرسوم، LSTM قادر به کاوش و بهره برداری از روابط داده های حال و گذشته است و بنابراین، از شبکه عصبی معمولی بهتر عمل می کند [36]. علاوه بر این، LSTM همچنین مشکل گرادیان ناپدید شدن را حل می‌کند و در مقایسه با شبکه‌های عصبی معمولی، آموزش کارآمدی را به همراه دارد. علاوه بر این، در این خط از تحقیقات، سعود و همکاران.[38] واحد بازگشتی دروازه‌دار را برای بهینه‌سازی قیمت‌گذاری در بازار بورس اوراق بهادار نپال بررسی کرد، در حالی که اشتغال آن در بازار فارکس وجود ندارد.

متأسفانه، همه این تکنیک‌های طبقه‌بندی آماری، یادگیری ماشینی و مبتنی بر یادگیری عمیق ماهیت خود را ثابت (آموزش یک‌باره) دارند. به دلیل این ماهیت ایستا، این تکنیک ها قادر به یادگیری تطبیقی نیستند و در نتیجه نمی توانند ماهیت فرار و پویا را در آینده تطبیق دهند. ثانیاً، تکنیک‌های موجود بیشتر بر پیش‌بینی یا پیش‌بینی مقادیر بعدی تمرکز دارند، در حالی که بهره‌برداری از مقادیر بعدی در ادبیات به خوبی مورد توجه قرار نگرفته است. علاوه بر این، بر اساس این پیش‌بینی‌های بازار فارکس، تدوین و توسعه یک استراتژی سرمایه‌گذاری بهینه در این محیط اقتصادی پرنوسان و پویا نیز در تحقیقات موجود به خوبی مورد توجه قرار نگرفته است. در این راستا، ما این چالش را کار بر روی به حداقل رساندن تلفات ناشی از طبیعت پویا و فرار و در عوض، بهره‌برداری از آنها برای به حداکثر رساندن پایداری با استفاده از روش شیب صعودی تصادفی می‌دانیم. این ما را به فرمول‌بندی و توسعه یک طعم منحصر به فرد از روش صعود گرادیان هدایت کرد، به عنوان مثال، روش صعود شیب تصادفی آنی، که به طرز شگفت‌آوری از استراتژی‌های سرمایه‌گذاری مرسوم بهتر عمل می‌کند.

3. روش پیشنهادی

قبل از ارائه فرمول روش پیشنهادی، توجه داشته باشید که مفروضات زیر را برای فرمول بندی در نظر گرفتیم.

3. 1. مفروضات

ما پنج نهاد (n = 5) دلار (USD)، یورو (EUR)، درهم (AED)، قلوه سنگ (RUB) و طلا را برای استراتژی سرمایه‌گذاری در نظر گرفتیم.

این فرضیات با تحقق روند بازار فارکس کشورهای آسیایی ، یعنی برای داشتن ارزهای مشهور در بازارهای فارکس خود انجام شده است. در حال حاضر ، ما 5 ارز را در نظر گرفتیم ، و بنابراین ، چند ارز مشهور ممکن است در این 5 ارز وجود داشته باشد ، که می تواند به راحتی به مدل پیشنهادی اضافه شود زیرا فرمولاسیون آن عمومی است ، یعنی ارزهای n. فرضیات دوم و سوم برای استاندارد سازی فاصله به روزرسانی به عنوان به روزرسانی نرخ فارکس بین بانکی در روز در پاکستان انجام شد. فرض چهارم دقیقاً به عنوان نمونه انجام شد: هر ارز میزبان را می توان در نظر گرفت زیرا فرمولاسیون مدل پیشنهادی از این نظر عمومی است. فرض آخر از آنجا که فرمولاسیون مدل پیشنهادی ممکن است منجر به توصیه خرید کسری (به عنوان مثال 4. 51) واحد ارز شود. این فرض برای ساده سازی فرمولاسیون مدل پیشنهادی ساخته شده است.

3. 1. 1. بیان مسأله

در نظر بگیرید که ، در روز من ، U I 1 ، U I 2 ، ... ، U I N Units of N به ارزش x i 1 ، x i 2 ، ... ، x i n روپیه های پاکستانی (PKR) با توجه به نرخ r i 1 ، r i 2 ، ...، به ترتیب ، به ترتیب. با توجه به به روزرسانی های نرخ هر روز ، چگونه باید واحدهای هر ارز را به روز کنیم تا ارزش آنها را در PKR به حداکثر برساند.

3. 1. 2. فرمول مسأله

در نظر بگیرید که سرمایه های N را برای سرمایه گذاری در نظر بگیرید و بردار سرمایه گذاری برای روز من x i = [x i 1 ، x i 2 ،… ، x i n] t است ، جایی که x i j سرمایه گذاری اختصاص یافته در روز من برای ارز j است. کل سرمایه گذاری x i در روز من فاصله منهتن یا 1-norm از وکتور سرمایه گذاری x i به شرح زیر است:

در نظر بگیرید که روزهای ارزهای n r i 1 ، r i 2 ،… ، r i n و بنابراین ، بردار نرخ این روز r i = [r i 1 ، r i 2 ،… ، r i n] t است. بنابراین ، وکتور خرید واحد برای روز اول می تواند از بخش نقطه به نقطه بردار سرمایه گذاری توسط بردار نرخ محاسبه شود ، یعنی u i = x i ⊘ r i ، به شرح زیر است:

روز بعد ، بردار نرخ به روز به روز i + 1 = [r (i + 1) 1 ، r (i + 1) 2 ،… ، r (i + 1) n] t ، و بنابراین ، بردار سرمایه گذاری ازروز بعد نیز به شرح زیر به روز می شود:

x i + 1 = [x i 1 r i 1 × r (i + 1) 1 ، x i 2 r i 2 × r (i + 1) 2 ،… ، x i n r i n × r (i + 1) n] n] t

3. 1. 3. تابع سود

به ترتیب از این سرمایه گذاری های کل x i + 1 و x i روزهای هفتم و (i + 1) استفاده کنید. سود f (x i) تفاوت آنها خواهد بود و بنابراین ، اگر کل سرمایه گذاری روز بعد افزایش یابد ، سود مثبت خواهد بود ، در غیر این صورت منفی. از نماد F (X I) بسته به سرمایه گذاری روز گذشته برای نشان دادن سود به دست آمده استفاده می شود. فرمولاسیون عملکرد سود F (X I) به شرح زیر است:

f (x i) = x i + 1 - x i = |X I + 1 |1 - |X I |1 = ∑ j = 1 n x (i + 1) j - ∑ j = 1 n x i j = ∑ j = 1 n x i j r i j × r (i + 1) j - ∑ j = 1 n (x i j r i j × r (i + 1) j-x i j) = ∑ j = 1 n x i j (r (i + 1) j r i j - 1)

3. 1. 4. بهینه سازی

در این مرحله ، ما یک تابع سود F (X I) داریم که باید با توجه به سرمایه گذاری به حداکثر برسد. برای این منظور ، روش صعود شیب در نظر گرفته شد ، که عملکرد را به شرح زیر به حداکثر می رساند:

جایی که η نرخ یادگیری است و ∇ f (x i) بردار شیب عملکرد سود در روز اول است. برخلاف صعود گرادیان دسته ای معاصر ، صعود شیب مینی دسته ای و روشهای صعود شیب تصادفی ، که شیب عملکرد سود را با استفاده از تمام نقاط مجموعه داده یا نمونه آن محاسبه می کند ، فرمول پیشنهادی شیب سود در معادله (7) به آن بستگی داردفقط به روزرسانی نرخ آنی. بسته به ماهیت تصادفی به روزرسانی های نرخ بازار فارکس و اشتغال فقط به روزرسانی های نرخ آنی ، روش پیشنهادی صعود شیب تصادفی فوری نامگذاری شده است. با استفاده از این شیب سود ، فرمول صعود شیب بتن برای مشکل ما برای به حداکثر رساندن عملکرد سود برای بازار پویا فارکس همانطور که در معادلات (8) و (9) بیان شده است:

∇ f (x i) = [∂ f ∂ x i 1 ، ∂ f ∂ x i 2 ،… ، ∂ f ∂ x i n] = [r (i + 1) 1 r i 1 - 1 ، r (i + 1) 2 r i 2-1 ،… ، r (i + 1) n r i n - 1] t

x (i + 1) 1 x (i + 1) 2 ⋮ x (i + 1) n = x i 1 x i 2 ⋮ x i n + η r (i + 1) 1 r i 1 - 1 r (i + 1) 2 r i2 - 1 ⋮ r (i + 1) n r i n - 1 = x i 1 x i 2 ⋮ x i n + η r (i + 1) 1 - r i 1 r i 1 r (i + 1) 2 - r i 2 r i 2 ⋮ r (i+ 1) n - r i n r i n

این فرمولاسیون صعود شیب فوری بیان می کند که به روزرسانی بردار سرمایه گذاری به طور مستقیم با تفاوت بردارهای نرخ روزهای متوالی نقطه به نقطه تقسیم بر بردار نرخ روز گذشته متناسب است. بدین ترتیب ، با به روزرسانی وکتور نرخ ، بردار سرمایه گذاری بر این اساس برای کل سرمایه گذاری بهینه شده به روز می شود. نمودار جریان الگوریتم پیشنهادی در شکل 1 نشان داده شده است. شبه کد برای اجرای صعود شیب تصادفی فوری در الگوریتم 1 ذکر شده است.

الگوریتم 1: صعود شیب شیب تصادفی فوری پیشنهادی پیشنهاد شده

ورودی ها:

بردار سرمایه گذاری اولیه x 1

بردارهای R 1 ، r 2 ، r 3 ،… r n

u 1 = x 1 ⊘ r 1

الگوریتم:

i = 1

در حالی که (نرخ به روز می شود)

|x i + 1 = x i + η (r i + 1 - r i) ⊘ r i = i + 1 u i + 1 = x i + 1 ⊘ r i + 1

پایان

خروجی:

تو من ، x من

4- آزمایش و نتایج

این آزمایش در ابتدا بر اساس مبلغ مساوی (Rs: 200000/-) سرمایه گذاری برای هر نهاد ، یعنی طلا (XD) و چهار ارز ، دلار (دلار) ، یورو (یورو) ، درهم (AED) و روسی انجام شد. Rubles (مالش) ، در بازار فارکس بر اساس داده های کل سال 2020. در آزمایشات ما ، نرخ یادگیری η = 1 را انتخاب کردیم. نرخ ارزها از https://www. exchangerates. org. uk/ (تاریخ دسترسی 1 ژانویه 2020) بدست آمد ، در حالی که نرخ طلا از https://www. gold. pk/ به دست آمد. برای مقایسه با سرمایه گذاری های بخش بانکی معمولی ، نرخ KIBOR (سود سرمایه گذاری استاندارد بانکی که توسط بانک دولتی پاکستان کنترل می شود) از https://www. khistocks. com/market-data/kibor-trates. html بدست آمد ، همانطور که در آن نشان داده شده است. جدول 1. علاوه بر این ، سرمایه گذاری پیشنهادی به روز شده و سرمایه گذاری کیبور نیز در این جدول نشان داده شده است. توجه داشته باشیم که ، اگرچه ما در کل سال 2020 با نتایج امیدوارکننده آزمایشاتی انجام دادیم ، با توجه به محدودیت فضا ، به روزرسانی های سرمایه گذاری فقط تا 8 مه 2020 گزارش شده است.

در ابتدا سرمایه گذاری را به طور مساوی بین چهار ارز مختلف خارجی و طلا (تولا) در روز اول تخصیص دادیم. مقدار کل سرمایه گذاری حدود ده صد هزار روپیه پاک بود. ما به طور مساوی سرمایه گذاری 20000 PRK را برای هر ارز و طلا توزیع کردیم. دلیلش این است که نرخ قبلی ارز و طلا وجود نداشت. در روز بعد، نرخ های جدید ارزها و طلا به روز شد و روش پیشنهادی شیب صعودی آنی شروع به کار کرد. جزئیات داده ارزهای مختلف به همراه سرمایه گذاری پیشنهادی به روز شده و سرمایه گذاری به روز شده KIBOR در جدول 1 آورده شده است.

جدول 1 نشان می دهد که ارزش پول در روپیه پاکستان در نوسان است. شکل 2 نمایش گرافیکی این نوسانات را نشان می دهد. مشاهده می شود که نوسانات هم مربوط به ارتقا و هم کاهش ارزش ارز است. دو ستون آخر جدول 1 نشان می دهد که چگونه استراتژی سرمایه گذاری پیشنهادی و سرمایه گذاری بانکی مبتنی بر KIBOR معاصر میزان سرمایه گذاری را به روز می کند. مقایسه نشان می دهد که سرمایه گذاری مبتنی بر شیب صعودی- تصادفی- لحظه ای پیشنهادی از همه سرمایه گذاری های مبتنی بر KIBOR معمولی بهتر عمل می کند. با این حال، با عملکرد کلی آن، یک محدودیت مرتبط با تکنیک پیشنهادی وجود دارد که در کاهش ناگهانی ارزش یک واحد تجاری قابل مشاهده است.

به عنوان مثال، در ماه ژانویه 2020، میزان سرمایه گذاری به روز شده با استفاده از شیب صعودی آنی پیشنهادی، به دلیل تغییرات جزئی در نرخ ارزها و نرخ طلا که با روش پیشنهادی به خوبی مورد بهره برداری قرار می گیرد، تا 3 درصد افزایش یافت. با این حال، در پایان ژانویه، به دلیل کاهش ناگهانی نرخ طلا، میزان سرمایه گذاری کاهش یافته است. این کاهش ناگهانی توسط روش پیشنهادی به طور موثر مورد استفاده قرار نگرفت و در نتیجه منجر به ضرر شد. این شوک با ثبات و پایداری میزان سرمایه گذاری تا بهمن ماه همراه بود. نتیجه نشان می دهد که در مجموع 11 درصد افزایش در میزان سرمایه گذاری تا آوریل 2020 علاوه بر غلبه بر ضرر کاهش ناگهانی نرخ طلا وجود داشته است. این قدرت روش پیشنهادی ما را نشان می دهد که به خوبی کار می کند و در بازار فارکس سود به دست می آورد.

مشاهده شد که استراتژی سرمایه گذاری پیشنهادی ممکن است زمانی که کاهش ناگهانی ارزش یک ارز یا نرخ طلا وجود دارد، ناکارآمدی محدودی داشته باشد. این منجر به سقوط ذخایر فارکس نمی شود. در عوض، این ناکارآمدی به دلیل ماهیت پایدار روش پیشنهادی محدود می‌شود و در نتیجه منجر به زیان‌های جزئی در درصد می‌شود که حتی در تعداد کمی از به‌روزرسانی‌های سرمایه‌گذاری بعدی قابل بازیافت هستند، به گونه‌ای که مبلغ کلی سرمایه‌گذاری شده همچنان در مقایسه باسرمایه گذاری KIBOR معاصر (شکل 3 را ببینید). این ضررها را می توان با ترکیب پیش بینی مناسب ارز با استفاده از یادگیری ماشین کاهش داد.

در این رابطه ، پیش بینی مطابق با C. I. Lee و همکاران.[39] و Y. L. Yong و همکاران.[40] به عنوان طبقه بندی در نظر گرفته می شود. برای این کار ، پیش بینی با دقت اسمی 75 ٪ برای به حداقل رساندن این ناکارآمدی محدود در تکنیک پیشنهادی شبیه سازی شد. برای این کار ، ما سود را مثبت دانستیم ، در حالی که ضرر به عنوان کلاسهای منفی. از این نظر ، اگر پیش بینی مثبت باشد ، پیش بینی منجر به سرمایه گذاری با توجه به استراتژی فرموله شده در بازار فارکس می شود ، در حالی که ، اگر پیش بینی منفی باشد ، پیش بینی منجر به محدودیت در سرمایه گذاری می شود. بدین ترتیب ، اگر پیش بینی مثبت نادرست باشد (مثبت کاذب) ، منجر به از دست دادن سرمایه گذاری می شود ، در حالی که اگر پیش بینی منفی نادرست باشد (منفی کاذب) ، منجر به محدودیت در سرمایه گذاری می شود و شانس به دست آوردن سود را از دست می دهد. بنابراین ، مثبت کاذب منجر به از دست دادن می شود ، در حالی که منفی های کاذب منجر به حفظ مبلغ سرمایه گذاری می شوند. بنابراین ، مثبت و کاذب مثبت مثبت هزینه های مرتبط با آن را دارند. در شبیه سازی اسمی مذکور ، 75 ٪ پیش بینی دقیق می تواند بر اساس نسبت مثبت کاذب و منفی های دروغین متفاوت عمل کند. ما بدترین سناریو را در نظر گرفتیم ، یعنی با توجه به حداکثر تعداد مثبت کاذب در مقایسه با منفی های دروغین از 25 ٪ پیش بینی های کاذب. این عملکرد سپس با یک دستگاه بردار پشتیبانی ترکیبی و الگوریتم ژنتیکی ، پیاده روی تصادفی ، خرید و نگه داشتن ، فروش و نگه داشتن و نگهدارنده استاتیک مبتنی بر معیار مبتنی بر معیار فارکس برای مدت مشابه (2 ژانویه 2015 تا 2 مارس 2016 مقایسه شد.) همانطور که توسط B. J. Almeida گزارش شده است [41].

نتایج نشان می دهد سرمایه گذاری فارکس مبتنی بر پایه-کلاسیک فوری و مبتنی بر فارکس هنگام ترکیب با یک تکنیک پیش بینی حتی با پیش بینی دقیق اسمی همانطور که در جدول 2 نشان داده شده است ، برای مقایسه ، بازده سرمایه گذاری (ROI) ، تعریف شده در معادله (10)، همانطور که توسط B. J. Almeida به کار گرفته شد [41]. توجه داشته باشیم که ، در طول بیماری همه گیر ، ارز میزبان (روپیه پاکستان) به دلیل آرامش پرداخت در وام های بانک جهانی و غیره نسبتاً پایدار ماند. [42،43] ، که در تثبیت اقتصاد پاکستان نقش داشت. تأیید شده توسط صندوق بین المللی بین المللی [44]. از آنجا که مدل پیشنهادی از نوسانات ارزی بهره برداری می کند ، احتمالاً عملکرد برای آن سالها با نوسانات بیشتر در مقایسه با سال همه گیر سال 2020 افزایش می یابد.

علاوه بر شکاف زمانی ، سرمایه گذاری شیب تصادفی فوری (ISGA) پیشنهادی همراه با پیش بینی نیز در کل سال 2020 اعمال شد و نتایج کاملاً دلگرم کننده بود ، همانطور که در شکل 4 نشان داده شده است.

5. نتیجه گیری ها

این تحقیق به مسئله نوسان و پویا سری زمانی سرمایه گذاری فارکس پرداخت که در آن استراتژی های سودآور برای سرمایه گذاری پایدار حیاتی هستند. برخلاف استراتژی‌های سرمایه‌گذاری مرسوم، یک استراتژی خودکار و انطباقی مبتنی بر یادگیری ماشینی در این تحقیق تدوین و اجرا شد. استراتژی پیشنهادی با در نظر گرفتن وضعیت ژئواکونومیکی، کار در چندین ارز معروف را توصیه می‌کند. فرمول‌بندی روش پیشنهادی با انگیزه روش صعودی گرادیان تصادفی به‌گونه‌ای بود که منجر به یک استراتژی سرمایه‌گذاری خودکار و تطبیقی بر اساس وضعیت بازار داخلی فارکس دفعه بعدی می‌شود. علاوه بر این، فرمول‌بندی روش صعودی گرادیان تصادفی آنی پیشنهادی عمومی است و بنابراین، می‌تواند برای هر ارز پایه و همچنین هر تعداد ارز اعمال شود. برای تایید فرمول روش ISGA پیشنهادی، از آن برای داده‌های بین بانکی بازار فارکس برای سال 2020 استفاده شد. آزمایش‌ها نشان داد که استراتژی سرمایه‌گذاری پیشنهادی منجر به افزایش پایداری سرمایه‌گذاری شده است. متأسفانه، استراتژی سرمایه گذاری پیشنهادی ممکن است زمانی که کاهش ناگهانی ارزش یک ارز یا نرخ طلا وجود دارد، ناکارآمد باشد. خوشبختانه، این ناکارآمدی به دلیل ماهیت پایدار سرمایه‌گذاری پیشنهادی محدود شده است زیرا ارزهای متعددی را در نظر می‌گیرد. در این راستا، تعداد بیشتری از ارزها در افزایش سرمایه گذاری پایدار فارکس محتمل تر است. اگرچه این ناکارآمدی محدود در چند روز سرمایه‌گذاری آینده قابل بازیابی است، استفاده از حتی یک پیش‌بینی اسمی فارکس، پایداری سرمایه‌گذاری را به طور موثر افزایش می‌دهد.

مشارکت های نویسنده

مفهوم سازی، I. M. و A. S. روش شناسی، A. S. و A. I. اعتبارسنجی، R. B;تحلیل رسمی، I. M. منابع، ع. ع.(عبدالکریم الزهرانی);مدیریت داده، A. A.(عبدالله المحیمد) و ر. ب. تجسم، A. A.(عبدالله المحیمد);نرم افزار، A. A.(عبدالکریم الزهرانی);نوشتن - آماده سازی پیش نویس اصلی، A. S. نوشتن-بررسی و ویرایش، I. M. نظارت، ع. الف.(عبدالله المحیمد);تامین مالی، A. I. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.