چکیده: چکیده در این پایان‌نامه، روشی برای انجام معاملات الگوریتمی بهینه با استفاده از روش‌های یادگیری ماشین ارائه شده است. استفاده از روش‌های پیش‌‌بینی یادگیری ماشین به عنوان ابزار اصلی معاملات، معمولاً در شرایط واقعی کارآمد و قابل اجرا نیست، از این رو در این تحقیق سعی شده‌است تا از این روش‌ها به عنوان مشاوری متخصص جهت مدیریت ریسک استراتژی‌های معاملاتی استفاده شود. بازار فارکس به دلیل اهمیت به‌سزا و ثباتی که در مقایسه با سایر بازارهای مالی دارد گزینه مناسبی جهت سرمایه‌گذاری و انجام آزمایشات در این حوزه است؛ بنابراین، از داده‌‌های سری زمانی مالی فارکس بهره‌ گرفتیم تا مدلی بر پایه یادگیری عمیق آموزش دهیم که بتواند سیگنال‌های تولیدی استراتژی‌های معاملاتی را با برچسب‌‌های سودآور و ضررده طبقه‌بندی کند. برای طراحی مدل مدیریت ریسک پیشنهادی از شبکه LSTM استفاده نموده‌ایم زیرا که در مقایسه با سایر روش‌های متناسب در زمینه پیش‌بینی سری‌های زمانی مالی بهینه‌تر، دقیق‌تر و مقادیر خطای گزارش‌شده آن کمتر است. در راستای آموزش و بهره‌وری از مدل مدیریت ریسک پیشنهادی دو استراتژی معاملاتی برپایه روش‌های آماری و شاخص‌های فنی طراحی و پیشنهاد شدند که خود دارای پتانسیل خوبی جهت انجام معاملات سودآور هستند، استراژی اول (S1) با استفاده از محاسباتی برپایه نوسانگر تصادفی جهت ورود به معامله تولید سیگنال می‌کند و برای بستن آن از حدضرر تعیین‌شده و سطوح مقاومتی/حمایتی کانال‌های Donchian استفاده می‌کند و ساختار معاملاتی‌ آن متناسب با شرایط نوسانی و بدون روند بازار است. استراتژی دوم (S2) از شاخص میانگین جهت‌دار و باندهای بولینگر جهت تولید سیگنال استفاده می‌کند و برای بستن معاملات از باند میانی باندهای بولینگر و حد ضرر از پیش‌ تعیین شده استفاده می‌کند و ساختار آن بیشتر متناسب با شرایط جهت‌دار بازار است. با مشاهده عملکرد سیستم در می‌یابیم که نتایج معاملات برپایه سیگنال‌های تولیدشده توسط استراتژی که به ابزار مدیریت ریسک مجهز است در مقایسه با زمانی که از این ابزار استفاده نمی‌کند، بهبود قابل توجهی داشته است. رشد سود حاصل از معاملات با به کارگیری ابزار مدیریت ریسک همواره مثبت و کمترین عدد گزارش شده رشد سود 15 درصدی در معاملات است، این درحالیست که با استفاده از ابزار مدیریت ریسک درصد رشد سود معاملات در مواردی تا چند ده درصد نیز گزارش شده است.