كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

رویکردی ترکیبی مبتنی بر CatBoost و LightGBM برای پیشبینی روند بازار فارکس

نویسندگان :

پژمان پیکانی¹ دانیال صبور² دلارام چقازردی³

1- دانشگاه خاتم 2- دانشگاه خاتم 3- دانشگاه خاتم

کلمات کلیدی :

پیشبینی فارکس،یادگیری ماشین،CatBoost،LightGBM،انتخاب ویژگی،اندیکاتورهای تکنیکال

چکیده :

در این پژوهش، رویکردی مبتنی بر یادگیری ماشین برای پیشبینی روند بازار فارکس ارائه شده است که از دو الگوریتم قدرتمند CatBoost وLightGBM بهره میگیرد. دادههای ساعتی دو جفتارز یورو/دلار آمریکا و پوند/دلار آمریکا در بازه زمانی ژانویه تا اکتبر 2025 مورد استفاده قرار گرفتهاند. پس از محاسبه اندیکاتورهای تکنیکال از بهینهسازی بیزی برای تنظیم هایپرپارامترهای مدلها استفاده شده است. در گام نخست، مدل CatBoost جهت شناسایی و انتخاب ویژگیهای مؤثر آموزش داده شد و 14 ویژگی برتر بهعنوان ورودی مدل LightGBM مورد استفاده قرار گرفت. نتایج نشان داد مدل ترکیبی پیشنهادی دقتی بیش از 85 درصد در پیشبینی روند قیمتها داشته و در مقایسه با مدلهای مبتنی بر یادگیری عمیق مانند LSTM، از سرعت آموزش بالاتر و پیچیدگی محاسباتی کمتری برخوردار است. یافتهها بیانگر کارایی، تفسیرپذیری و پایداری بالای این روش در تحلیل و تصمیمگیریهای معاملاتی بازار فارکس هستند.