چکیده: امروزه با گسترش جوامع و افزایش نیازهای مالی جامعه بشری، سرمایه‌گذاری در بازارهای مالی از اهمیت و جایگاه خاصی در جامعه برخوردار است. در کنار بازارهای بورس محلی، فارکس به‌عنوان یک بازار مالی بین‌المللی، حجم وسیعی از معاملات بازارهای مالی را شامل می‌شود. ازآنجاکه سرمایه‌گذاری همواره دارای ریسک است، سرمایه‌گذاری مطمئن نیازمند دانش و صرف زمان زیادی است؛ ازاین‌رو یک دستیار معاملاتی با قابلیت شناسایی نقاط مناسب برای ورود به معاملات و خروج از آن‌ها، می‌تواند نقش به سزایی در سرمایه‌گذاری مطمئن ایفا کند. در پژوهش جاری، با استفاده از روش‌های یادگیری ماشین نظیر شبکه‌های عصبی عمیق LSTM، CNN و CNN-LSTM و الگوریتم‌های جنگل تصادفی، ماشین بردار پشتیبان و الگوریتم تکاملی ژنتیک با کمک نمایانگر‌های فنی مطرح در تحلیل فنی بازارهای مالی، مدلی جهت پیش‌بینی آینده بازار مالی در قالب ارائه سیگنال خرید و فروش به سرمایه‌گذار، پیشنهاد شده است. داده‌های مورد آزمایش این پژوهش، مجموعه‌ای از داده‌های ۱۰ ساله جفت ارز پوند استرلینگ بریتانیا و دلار ایالات متحده (GBP/USD) در بازار فارکس از سال ۲۰۱۱ تا ۲۰۲۱ است. از جمله ویژگی‌های اصلی این پژوهش، توجه به افق‌های زمانی مختلف سرمایه‌گذاری، یعنی افق‌های کوتاه‌مدت، میان‌مدت و بلندمدت با بررسی شرایط بازار در چارچوب‌های زمانی کوتاه‌مدت تا بلندمدت بوده است. به این منظور، بر اساس نمایانگر فنی ایچیموکو، به‌ازای هر چارچوب زمانی ویژگی‌ای را استخراج نموده و این ویژگی‌ها را در کنار ویژگی‌های دیگر مجموعه‌داده‌ها، به‌عنوان ورودی مدل‌های یادگیری ماشین در نظر گرفتیم. طی این پژوهش، خروجی مدل مبتنی بر شبکه یادگیری عمیق LSTM که یک شبکه جهت یادگیری داده‌های سری زمانی است، روی چارچوب زمانی 1 روزه با دقت 78 درصد، بهتر از سایر مدل‌‌ها بود. همچنین در مقایسه با چارچوب‌های زمانی 1 ساعته و 15 دقیقه، پیش‌بینی به‌ازای چارچوب زمانی 1 روزه دقت بهتری داشت.