ارتقا معاملات خودکار در بازارهای مالی با بهره گیر ی از یادگیری تقویتی عمیق چندعاملی
چکیده:
ﺩﺭ ﺳﺎﻝ ﻫﺎﻱ ﺍﺧﻴﺮ، ﻃﻴﻒ ﻭﺳﻴﻌﻲ ﺍﺯ ﻣﺪﻝ ﻫﺎﻱ ﻳﺎﺩﮔﻴﺮﻱ ﺗﻘﻮﻳﺘﻲ ﻋﻤﻴﻖ ﺑﺮﺍﻱ ﺑﻬﺒﻮﺩ ﺍﺳﺘﺮﺍﺗﮋﻱ ﻫﺎﻱ ﺳﺮﻣﺎﻳﻪ ﮔﺬﺍﺭﻱ ﻭ ﻛﺴﺐ ﺳﻮﺩ ﺑﻴﺸﺘﺮ ﺩﺭ ﺑﺎﺯﺍﺭﻫﺎﻱ ﻣﺎﻟﻲ ﻣﻌﺮﻓﻲ ﺷﺪﻩ ﺍﻧﺪ. ﺗﺼﻤﻴﻤﺎﺕ ﺍﺗﺨﺎﺫ ﺷﺪﻩ ﺗﻮﺳﻂ ﺍﻳﻦ ﻣﺪﻝ ﻫﺎ، ﺑﻪ ﻭﻳﮋﻩ ﺩﺭ ﺭﺑﺎﺕ ﻫﺎﻱ ﻣﻌﺎﻣﻼﺗﻲ ﺧﻮﺩﻛﺎﺭ، ﻋﻤﻠﻜﺮﺩ ﺑﻬﺘﺮﻱ ﻧﺴﺒﺖ ﺑﻪ ﺍﺳﺘﺮﺍﺗﮋﻱ ﻫﺎﻱ ﺳﻨﺘﻲ ﺍﺯ ﺧﻮﺩ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﺍﻧﺪ. ﺑﺎ ﺍﻳﻦ ﺣﺎﻝ، ﺑﻪ ﺩﻟﻴﻞ ﭼﺎﻟﺶ ﻫﺎﻳﻲ ﻧﻈﻴﺮ ﻧﺎﻛﺎﻓﻲ ﺑﻮﺩﻥ ﺍﻃﻼﻋﺎﺕ ﻭ ﭘﻴﭽﻴﺪﮔﻲ ﺑﺎﺯﺍﺭﻫﺎﻱ ﻣﺎﻟﻲ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳﻴﺴﺘﻢ ﻫﺎﻱ ﭼﻨﺪﻋﺎﻣﻠﻲ ﺑﻪ ﻋﻨﻮﺍﻥ ﺭﺍﻫﻜﺎﺭﻱ ﻣﺆﺛﺮ ﺑﺮﺍﻱ ﺑﻬﺒﻮﺩ ﺍﻳﻦ ﺗﺼﻤﻴﻢ ﮔﻴﺮﻱ ﻫﺎ ﭘﻴﺸﻨﻬﺎﺩ ﺷﺪﻩ ﺍﺳﺖ. ﺳﻴﺴﺘﻢ ﻫﺎﻱ ﭼﻨﺪﻋﺎﻣﻠﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﻳﺎﺩﮔﻴﺮﻱ ﺗﻘﻮﻳﺘﻲ، ﺩﺭ ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﻴﭽﻴﺪﻩ ﻭ ﻃﻮﻻﻧﻲ ﻣﺪﺕ ﻣﺎﻧﻨﺪ ﺑﺎﺯﻱ ﻫﺎﻱ ﻭﻳﺪﺋﻮﻳﻲ،ﺗﺮﺟﻤﻪ ﻣﺎﺷﻴﻨﻲ ﻋﺼﺒﻲ ﻭ ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺎﻱ ﻫﻮﺍﺷﻨﺎﺳﻲ ﻧﻴﺰ ﻧﺘﺎﻳﺞ ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ ﺩﺍﺷﺘﻪ ﺍﻧﺪ. ﺍﻳﻦ ﺳﻴﺴﺘﻢ ﻫﺎ ﺍﺯ ﻃﺮﻳﻖ ﺍﺭﺗﺒﺎﻁ ﻭ ﻫﻤﻜﺎﺭﻱ ﻣﺆﺛﺮ ﺑﻴﻦ ﻋﺎﻣﻞ ﻫﺎ، ﻣﻲ ﺗﻮﺍﻧﻨﺪ ﺩﺭ ﻣﺤﻴﻂ ﻫﺎﻱ ﭘﻴﭽﻴﺪﻩ ﻋﻤﻠﻜﺮﺩ ﻣﻮﻓﻘﻲ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﺩﺭ ﺍﻳﻦ ﭘﮋﻭﻫﺶ، ﻳﻚ ﻣﺪﻝ ﻳﺎﺩﮔﻴﺮﻱ ﺗﻘﻮﻳﺘﻲ ﭼﻨﺪﻋﺎﻣﻠﻲ ﻋﻤﻴﻖ ﺑﺎ ﺑﻬﺮﻩ ﮔﻴﺮﻱ ﺍﺯ ﻣﻜﺎﻧﻴﺰﻡ ﺗﻮﺟﻪ ﺑﺮﺍﻱ ﺑﻬﺒﻮﺩ ﺗﺼﻤﻴﻢ ﮔﻴﺮﻱ ﺩﺭ ﺭﺑﺎﺕ ﻫﺎﻱ ﻣﻌﺎﻣﻼﺗﻲ ﺧﻮﺩﻛﺎﺭ ﺍﺭﺍﺋﻪ ﺷﺪﻩ ﺍﺳﺖ. ﻣﺪﻝ ﭘﻴﺸﻨﻬﺎﺩﻱ ﺷﺎﻣﻞ ﭼﻨﺪ ﻋﺎﻣﻞ ﺑﺮﺍﻱ ﺗﺤﻠﻴﻞ ﭼﻨﺪ ﺑﺎﺯﺍﺭ ﺑﻪ ﻫﻤﺮﺍﻩ ﻳﻚ ﻣﻨﺘﻘﺪ ﻣﺮﻛﺰﻱ ﺍﺳﺖ ﻭ ﺍﺯ ﺳﻪ ﺍﻳﺪﻩ ﻧﻮﺁﻭﺭﺍﻧﻪ ﻣﺪﻳﺮﻳﺖ ﺭﻳﺴﻚ، ﺁﻧﺘﺮﻭﭘﻲ ﺩﺭ ﺣﺎﻓﻈﻪ ﺑﺎﺯﭘﺨﺶ ﻭ ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮﻱ ﺍﻗﺪﺍﻣﺎﺕ ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﻛﻨﺪ. ﺩﺭ ﺍﻳﻦ ﺳﺎﺧﺘﺎﺭ، ﻳﻚ ﻋﺎﻣﻞ ﺍﺻﻠﻲ ﻭ ﭼﻨﺪﻳﻦ ﻋﺎﻣﻞ ﻓﺮﻋﻲ ﻭﺟﻮﺩ ﺩﺍﺭﻧﺪ ﻛﻪ ﺑﺮﺍﻱ ﻛﻤﻚ ﺑﻪ ﺑﻬﺒﻮﺩ ﻋﻤﻠﻜﺮﺩ ﻋﺎﻣﻞ ﺍﺻﻠﻲ ﺁﻣﻮﺯﺵ ﻣﻲ ﺑﻴﻨﻨﺪ. ﺍﻳﻦ ﻫﻤﻜﺎﺭﻱ ﻣﻨﺠﺮ ﺑﻪ ﺑﻬﺒﻮﺩ ﺧﺮﻭﺟﻲ ﻋﺎﻣﻞ ﺍﺻﻠﻲ ﻣﻲ ﺷﻮﺩ. ﺩﺭ ﺁﺯﻣﺎﻳﺶ ﻫﺎﻱ ﺍﻧﺠﺎﻡ ﺷﺪﻩ، ﻋﺎﻣﻞ ﺍﺻﻠﻲ ﺗﻮﺍﻧﺴﺖ ﺩﺭ ﻣﺪﺕ۵ ﻣﺎﻩ۱۷۵ ﺩﺭﺻﺪ ﺳﻮﺩ ﻛﺴﺐ ﻛﻨﺪ، ﺩﺭ ﺣﺎﻟﻲ ﻛﻪ ﺑﻴﺸﺘﺮﻳﻦ ﺍﻓﺖ ﺳﺮﻣﺎﻳﻪ ﺗﻨﻬﺎ۴ ﺩﺭﺻﺪ ﺑﻮﺩ. ﻧﺘﺎﻳﺞ ﻧﻬﺎﻳﻲ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﻨﺪ ﻛﻪ ﺭﻭﺵ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻋﻼﻭﻩ ﺑﺮ ﺍﺭﺍﺋﻪ ﺑﺎﺯﺩﻫﻲ ﺑﺎﻻﺗﺮ ﻧﺴﺒﺖ ﺑﻪ ﺭﻭﺵ ﻫﺎﻱ ﭘﻴﺸﻴﻦ، ﺗﻮﺍﻧﺴﺘﻪ ﺍﺳﺖ ﺍﺯ ﺩﺳﺖ ﺭﻓﺘﻦ ﺳﺮﻣﺎﻳﻪ ﺭﺍ ﻧﻴﺰ ﺑﻪ ﺣﺪﺍﻗﻞ ﺑﺮﺳﺎﻧﺪ