آیا هوش مصنوعی می‌تواند بازار آینده را پیش‌بینی کند؟

اگر یک مدل، فقط داده‌ی رفتاری ببیند چه می‌شود؟ و اگر فقط داده‌ی زمینه‌ای ببیند چطور؟ یا اگر این دو دنیا را با هم ترکیب کنیم، چه اتفاقی می‌افتد؟ برای پاسخ به این سؤال، سراغ یکی از تازه‌ترین پژوهش‌های علمی رفتیم؛ پژوهشی که یک مسئلهٔ کاملاً غیربانکی را بررسی می‌کند؛ اما پشت آن، یک حقیقت مهم برای ما وجود داشت: ترکیب داده‌های ناهمگن، اگر درست طراحی شود، می‌تواند دقت پیش‌بینی و کیفیت تصمیم‌سازی را چندبرابر کند. واقعیت را می‌توان از چند زاویه روایت کرد.

مقاله جدیدی که نوامبر ۲۰۲۵ با عنوان «افزایش دقت پیش‌بینی فارکس: تأثیر مجموعه‌های متغیر هیبریدی» منتشر شده، دقیقاً همین هدف را دارد. در ادامه بررسی می‌کنیم که این سیستم چطور کار می‌کند و چرا ممکن است آینده الگوریتم‌های پیش‌بینی باشد.

سیستم معاملاتی شناختی (CATS): ترکیب دو نگاه به بازار

نویسندگان مقاله (وان کینگ و خوزه آمیگو) ادعا می‌کنند که نگاه تک‌بعدی به بازار (فقط قیمت یا فقط اخبار) کافی نیست. آن‌ها سیستمی طراحی کرده‌اند با نام Cognitive Algorithmic Trading Systems که با استفاده از شبکه‌های عصبی LSTM، داده‌های رفتاری (قیمت و اندیکاتورها) را در کنار داده‌های زمینه‌ای (شاخص‌های اقتصادی)  به یک ساختار تحلیلی واحد تبدیل می‌کند.

شبکه‌های عصبی معمولی حافظه کوتاهی دارند. یعنی داده فعلی را می‌بینند و قبلی را فراموش می‌کنند. اما LSTM مثل تریدری است که یادش می‌آید «هفته پیش که نرخ بیکاری بالا رفت و RSI اشباع بود، قیمت پایین آمد». این حافظه برای سری‌های زمانی (مثل نمودار بورس) حیاتی است.

مسئله اول: چطور حمایت و مقاومت را به کامپیوتر فهماندند؟

تریدرها به‌صورت بصری قله‌ها و دره‌ها را روی چارت می‌بینند و خط می‌کشند. اما کامپیوتر چشم ندارد. این مقاله از روش پنجره‌بندی (Window Segmentation) استفاده کرده است:

• آنها ۲۰۰ روز گذشته بازار را به ۱۰ پنجره ۲۰ روزه تقسیم می‌کنند.
• در هر پنجره، ماکزیمم و مینیمم قیمت و آخرین قیمت را استخراج می‌کنند.
• سپس این نقاط را مرتب می‌کنند تا «نواحی» مهمی که قیمت قبلاً به آنها واکنش نشان داده را پیدا کنند. این یعنی شبیه‌سازی ریاضیِ کاری که چشم انسان انجام می‌دهد.

مسئله دوم: تشخیص واگرایی با ریاضی

واگرایی یکی از قوی‌ترین سیگنال‌های بازگشتی است. این الگوریتم با محاسبه شیب خطوط روند بین قله‌های قیمت و قله‌های اندیکاتور، واگرایی را می‌فهمد. اگر شیب قیمت مثبت باشد؛ ولی شیب اندیکاتور منفی، سیستم می‌گوید واگرایی نزولی داریم. این تبدیلِ یک مفهوم شهودی به عدد دقیق، خوراک اصلی LSTM است.

آزمایشگاهی برای ۱۰ مدل

نویسندگان برای اینکه بفهمند واقعاً کدام داده مهم‌تر است، ۱۰ مدل مختلف از مدل ۰ تا مدل ۹ را طراحی کردند:

• مدل ۰ (پایه): فقط قیمت را می‌بیند.
• مدل‌های میانی: فقط تکنیکال یا فقط فاندامنتال.
• مدل ۹ (پیشرفته): همه چیز را دارد (تکنیکال، فاندامنتال، فیبوناچی، واگرایی، سطوح)

نتیجه مقاله نشان می‌دهد که اضافه‌کردن داده‌های فاندامنتال به مدل‌های تکنیکال، دقت پیش‌بینی را به شکل معناداری افزایش می‌دهد. در واقع، هوش مصنوعی وقتی «علت» (داده اقتصادی) را در کنار اثر آن (تکنیکال) می‌بیند، تصمیمات بسیار پخته‌تری می‌گیرد.

تا اینجا نگاهی کلی به سیستم معاملاتی شناختی (CATS) معرفی شده در مقاله «افزایش دقت پیش‌بینی فارکس» انداختیم. در ادامه، بخش‌های کلیدی و پیچیده این مقاله را باز می‌کنیم: از نحوه حل مشکل «ناهمگونی داده‌ها» گرفته تا فرمول‌بندی ریاضی واگرایی‌ها و مدیریت پوزیشن.

راهکاری برای مهندسی داده‌های ناهمگون

یکی از بزرگ‌ترین چالش‌ها در ساخت هوش مصنوعی پیش‌بینی بازار، ترکیب داده‌هایی با سن متفاوت است. داده‌های تکنیکال (قیمت) سریع و لحظه‌ای هستند، اما داده‌های فاندامنتال (مثل نرخ بیکاری) ماهانه یا فصلی منتشر می‌شوند. چطور این دو را به خورد یک شبکه عصبی بدهیم؟

نویسندگان از مجموعه‌ای شامل ۱۶ متغیر کلان اقتصادی استفاده کرده‌اند (۸ متغیر برای آمریکا و ۸ تا برای حوزه یورو). لیست این متغیرها شامل موارد سنگینی مثل:

• تولید ناخالص داخلی (GDP)
• نرخ بیکاری
• نرخ بهره فدرال رزرو و بانک مرکزی اروپا
• شاخص قیمت مصرف‌کننده (CPI)

ازآنجاکه این داده‌ها با تأخیر منتشر می‌شوند (Lag)، سیستم از روش «تکرار مقدار آخر» (Forward Filling) استفاده می‌کند. یعنی اگر نرخ بیکاری امروز اعلام شود، شبکه عصبی این عدد را برای تمام کندل‌های ۴ ساعته یا روزانه تکرار می‌کند تا زمانی که عدد جدید منتشر شود. همین یک متغیر ساده «سنِ داده» باعث شد مدل بفهمد اطلاعات تازه چه زمانی مهم‌تر است و قدیمی‌ها چه زمانی ارزششان کم می‌شود.

ریاضیات پشت پرده: تبدیل «واگرایی» به فرمول

تشخیص واگرایی (Divergence) برای انسان راحت است؛ اما برای کامپیوتر کابوس است. نویسندگان برای حل این مشکل از رگرسیون خطی استفاده کرده‌اند.

سیستم روی دو سری داده تمرکز می‌کند: ۱. قیمت و ۲. اسیلاتور  برای هر پنجره زمانی، شیب خط روند محاسبه می‌شود: شیب خط روند قیمت و شیب خط روند اسیلاتور.  در این حالت اگر قیمت صعودی و اندیکاتور نزولی باشد واگرایی نزولی است. ولی اگر قیمت نزولی و اندیکاتور صعودی باشد واگرایی صعودی است.

این روش باعث می‌شود مفاهیم انتزاعی تکنیکال به اعداد دقیق ریاضی تبدیل شوند که خوراک اصلی شبکه‌های LSTM است.

معماری شبکه: چرا LSTM؟

در دنیای واقعی، اثر یک اتفاق همیشه همان لحظه پدیدار نمی‌شود؛ در بازارهای مالی هم همین‌طور است. این سیستم از یک شبکه LSTM (Long Short-Term Memory) استاندارد استفاده می‌کند. اما چرا ترنسفورمر نه؟ مقاله استدلال می‌کند که LSTMها در مدیریت «وابستگی‌های زمانی» (Temporal Dependencies) در سری‌های زمانی مالی که نویز زیادی دارند، بسیار کارآمد و پایدار هستند. پیکربندی مدل این‌طور تشریح شده است:

ورودی‌ها نرمال‌سازی می‌شوند تا اعداد بزرگ GDP، اعداد کوچک قیمت را نبلعند. پنجره‌های زمانی به مدل اجازه می‌دهند الگوهای تاریخی را با وضعیت فعلی مقایسه کند. خروجی مدل صرفاً «قیمت آینده» نیست، بلکه جهت حرکت را پیش‌بینی می‌کند تا پیشنهاد خرید یا فروش تولید شود.

سناریوهای معاملاتی: خروجی ثابت یا شناور؟

پیش‌بینی قیمت یک چیز است، “ترید کردن” چیز دیگر. این مقاله دو سناریوی شبیه‌سازی را اجرا کرده است: افق زمانی ثابت و مدیریت پویای پوزیشن. در افق زمانی ثابت، سیستم وارد معامله می‌شود و دقیقاً بعد از تعداد n کندل، خارج می‌شود. این مدل برای سنجش قدرت پیش‌بینی خالص هوش مصنوعی عالی است؛ ولی در دنیای واقعی کاربرد کمی دارد چون سودها را محدود می‌کند.

سناریوی دوم همان‌طور که گفتیم مدیریت پوزیشن پویا است. اینجا سیستم هوشمند می‌شود. سیستم از حد ضرر و حد سود استفاده می‌کند، اما نه به‌صورت تصادفی. حد ضرر بر اساس نوسان بازار یا سطوح حمایت/مقاومت محاسبه‌شده تعیین می‌شود. اگر هم جهت پیش‌بینیِ مدل تغییر کند (مثلاً از صعودی به نزولی)، پوزیشن فوراً بسته می‌شود، حتی اگر به حد سود نرسیده باشد.

نتیجه تست‌ها ازاین‌قرار است. مدل ۹ که هیبریدی کامل بود، در سناریوی پویا، عملکردی بسیار بهتر از مدل‌های ساده داشت و توانست در بازارهای رنج (درجا) هم ضررها را کنترل کند.

گفتنی است که در این پژوهش برای به حداکثر رساندن شرایط واقعی، حتی هزینه تراکنش نیز لحاظ شده است. نتایج نشان داد که مدل‌های صرفاً تکنیکال (که سیگنال‌های زیادی تولید می‌کنند) وقتی هزینه تراکنش کسر می‌شود، سوددهی‌شان به‌شدت افت می‌کند. اما مدل‌های هیبریدی (تکنیکال و فاندامنتال) چون سیگنال‌های کمتر اما دقیق‌تری می‌دهند، زیر بار هزینه‌های تراکنش کمر خم نمی‌کنند.

نتیجه‌گیری و سخن پایانی

در مقایسه نهایی بین ۱۰ مدل مختلف، مدل ۹ که ترکیبی از همه متغیرها بود، بالاترین نسبت شارپ و نسبت سورتینو را ثبت کرد.

این مقاله اثبات می‌کند که اگر معماری درستی داشته باشید «اطلاعات بیشتر» لزوماً به معنی «نویز بیشتر» نیست. هوش مصنوعی توانسته است شکاف بین تحلیل فاندامنتال (که کند و استراتژیک است) و تحلیل تکنیکال (که سریع و تاکتیکی است) را پر کند.

به زبان دیگر اگر می‌خواهیم به سمت سیستم‌های تصمیم‌ساز نسل جدید حرکت کنیم؛ سیستم‌هایی که در بانکداری به آن‌ها نیاز داریم، باید بتوانیم داده‌های ناهمگن را کنار هم بیاوریم، تازگی و ریتم داده را به مدل بفهمانیم، معماری‌هایی انتخاب کنیم که حافظهٔ بلندمدت رفتار را درک کنند و مهم‌تر از همه، خروجی پیش‌بینی را تبدیل به «رفتار تصمیم‌دار» کنیم.

منبع: [Arxiv:2511.16657 – King & Amigo, 2025]