چکیده: معرفی کلی مسئله: تعیین روند تغییر قیمت یکی از چالش‌برانگیزترین مسائل در بازارهای مالی به شمار می‌آید. البته هرچند به طور عمدی تلاش برای تقریبا غیرقابل پیش‌بینی نمودن بازار مالی می‌شود، اثبات شده است که روند تغییر قیمت در این بازارها قابل پیش‌بینی هستند. تأثیرگذاری فاکتورهای بسیاری بر روی این بازار، همچون عدم قطعیت، چالشی بودن مسئله را بیشتر برجسته می‌نماید. مسئله اصلی این پژوهش تعیین روند کلی حرکت قیمت در بازار مالی بین‌المللی فارکس با روشی ترکیبی و خودکار است، به‌گونه‌ای که با غلبه بر عدم قطعیت و پیش‌بینی نوسانات نتایج دقیق‌تری نسبت به پیشینه پژوهش ارائه دهد. معرفی روش: در این پژوهش تشخیص روند قیمت که می‌تواند صعودی، نزولی یا ثابت باشد، به‌صورت خودکار و با استفاده از الگوریتم‌های ترکیبی پیشنهاد می‌گردد. با استفاده از معاملات خودکار در چهار رهیافت متفاوت بر پایه الگوریتم‌های تعیین انرژی جنبشی، یک‌بار ترکیبی با اندیکاتور و سه بار دیگر ترکیبی با مدل‌های بر اساس یادگیری تقویتی عمیق ارائه گردیده است. ازآنجاکه استفاده از روش‌های مذکور برای پیش‌بینی در این بازارها به طور مجزا منجر به نتایج قابل‌توجهی می‌شوند، در این پژوهش روش‌های ترکیبی از مدل‌های ذکر شده به کار گرفته شده است. در واقع سعی بر آن بوده است تا با بهره‌وری از مزایای روش‌های مختلف به نتایج بهتری دست‌یافت. نتایج: در آخر رهیافت‌های پیشنهادی با مجموعه‌داده استاندارد به‌دست‌آمده از بازار مالی فارکس طی آزمایش‌های اولیه مورد بررسی قرار گرفت. بازیابی، صحت، دقت، معیار شارپ، سورتینو و معیار اِف از جمله معیارهای هستند که مورداستفاده قرار گرفتند. در میان نتایج به‌دست‌آمده با آزمایش‌های اولیه می‌توان به برتری نسبی رهیافت پیشنهادی (ترکیب فرمول‌ انرژی جنبشی و اندیکاتور RSI) به مدل‌ یادگیری عمیق و مدل‌های کلاسیک نظیر اشاره نمود. از میان آزمایش‌های انجام شده، برای نمونه روی داده‌های پوند انگلیس - دلار آمریکا به طور میانگین روش پیشنهادی RSIK توانست با حدود 95 درصد دقت، به‌عنوان دقیق‌ترین روش نسبت به سایر روش‌های آزمایش شده عمل کند. برای مقایسه عملکرد روش سوم در آزمایش‌های مربوطه از مقایسه سود کلی به‌دست‌آمده استفاده گردید که مطابق آن روش پیشنهادی، TKDQN ، برای نمونه بر روی مجموعه‌داده شرکت اپل، به سوددهی 57.14% در مقایسه با روش‌ مقاله پایه انتخابی بر پایه یادگیری عمیق تقویتی، TDQN، یعنی 54.55% در پایان دوره آزمایش رسید. همچنین به کارگیری روش پیشنهادی با روش یادگیری تقویتی سلسله مراتبی در بهبود دقت نتایج پیش‌بینی اثرگذاری به سزایی داشت.