چکیده: در این پایان نامه به بررسی ارتقاء پیشبینی بازار با استفاده از تلفیق هوش مصنوعی و تقویم اقتصادی می‌پردازیم. در این راستا، در این مطالعه، یک مدل پیش‌بینی قیمت فارکس برای جفت ارز یورو به دلار آمریکا با استفاده از شبکه عصبی مصنوعی حافظه بلند مدت و کوتاه مدت FLF-LSTM (تابع خطای فارکس) توسعه داده شده است. مدل پیشنهادی، تجزیه و تحلیل اخبار و شاخص‌های فنی و آماری را در کنار داده‌های قیمت خام ترکیب می‌کند. روش‌های مختلف هوش مصنوعی که در پیش‌بینی بازار مورد استفاده قرار می‌گیرد، معمولا بر روی قیمت و الگوهای نموداری بررسی میشوند و کمتر به بخش تقویم اقتصادی پرداخته می شود. همین امر باعث می شود بخش مهم تقویم اقتصادی که تاثیر بسازی در پیش بینی قیمت دارد مورد توجه و بررسی قرار بگیرد. نتایج تحقیقات گذشته نشان می‌دهد که استفاده از تلفیق هوش مصنوعی و تقویم اقتصادی می‌تواند بهبود قابل توجهی در دقت پیش‌بینی بازار و تحلیل روند بازار ایجاد کند. علاوه بر این، این روش‌ها می‌توانند به تصمیم‌گیری‌های موثرتر در حوزه سرمایه‌گذاری و مدیریت ریسک کمک کنند. مدل نهایی با استفاده از معیارهای MSE و R2 ارزیابی شده و توابع فعال ساز Tanh، Sigmoid و Relu آموزش داده شده و نمودارهای مربوط به خطای آموزش، اعتبارسنجی و قیمت‌های پیش‌بینی شده ارائه شده است. در این بررسی از مجموعه داده های مختلف با ترکیبات مختلف ستون ها مانند داده های خام، ویژگی های اضافی، عناوین اخبار، مقالات خبری و ستون های همبسته استفاده کردیم. ما این ویژگی های اضافی را در یک مدل حافظه بلند مدت و کوتاه مدت تابع خطای فارکس FLF-LSTM با استفاده از MSE و R2 به عنوان تابع زیان برای پیش بینی قیمت پایانی روز بعد گنجانده ایم. همچنین نمودار افت اعتبار کندل ها در دو دوره آموزش و اعتبارسنجی و همچنین قیمت های پیش بینی شده را ترسیم کردیم. در نتیجه، ما یک پیش بینی کننده قیمت فارکس برای جفت ارز یورو به دلار آمریکا توسعه داده ایم. با گنجاندن تجزیه و تحلیل اخبار و برخی از شاخص های فنی و آماری که معامله گران فارکس در روال روزانه خود استفاده می کنند، پیش بینی قیمت پایانی بازار می تواند به طور قابل توجهی بهبود یابد. با استفاده از داده‌های کندل یک روزه جفت ارز یورو/دلار آمریکا (EURUSD)، نتایج نشان داد که سیستم پیشنهادی FLF-LSTM در مقایسه با مدل کلاسیک LSTM، میزان خطای میانگین مطلق (MAE) را به طور کلی 10.96 درصد کاهش می‌دهد.]6[ همچنین تابع فعال ساز Tanh در داده با ویژگی جدید تولید شده بهترین عملکرد را داشت.