چکیده: با توجه به ماهیت نویزی، غیرایستا و رژیم محور داده‌های بازارهای مالی، طراحی روش‌هایی که هم ‌توان پیش‌بینی دقیق و هم قابلیت تبدیل سیگنال به رفتار معاملاتی پایدار را داشته باشند، از چالش‌های اساسی پژوهش‌های مالی به شمار می‌رود. علیرغم پیشرفت در پیش‌بینی بازده سهام با استفاده از مدل‌های نوین، مطالعات موجود عمدتاً از مدل‌سازی و کنترل رفتار معاملاتی سامانه و پایداری اجرایی در مواجهه با نویز داده‌ها غفلت کرده‌اند. این پژوهش با توسعه یک چارچوب یکپارچه، به دنبال رفع این نارسایی از طریق مدیریت هم‌زمان نویز داده‌ها، درک رژیم بازار و کنترل عملی ریسک در فرآیند تصمیم‌گیری معاملاتی است. لذا این پژوهش با رویکردی دوگانه، به توسعه دو چارچوب مستقل اما هم‌راستا در حوزه پیش‌بینی و تصمیم‌گیری معاملاتی می‌پردازد. در بخش نخست، مدل پیش‌بینی محور H4CSAE مبتنی بر خود کدگذارهای پشته‌ای ارائه ‌شده است. در این ساختار، داده‌ها ابتدا با استفاده از خودکدگذار متغیر به‌منظور کاهش نویز فشرده‌سازی شده و سپس از طریق خودکدگذار کانولوشنی، ویژگی‌های سطح بالا استخراج می‌شوند. این ویژگی‌ها به یک مدل ترکیبی شامل XGBoost، LSTM، GRU و BiLSTM داده‌شده‌اند تا جهت حرکت قیمت در افق ده‌روزه پیش‌بینی گردد. نتایج تجربی نشان می‌دهد که مدل پیشنهادی با دقت 78/77 درصد عملکردی برتر نسبت به مدل‌های پایه داشته و نرخ خطای مثبت کاذب را به‌طور معناداری کاهش داده است. در بخش دوم، سامانه معاملاتی MRT-R به‌عنوان یک رویکرد یادگیری محور غیر تقویتی طراحی‌شده است که با بهره‌گیری از تشخیص رژیم بازار، درک زمینه کلی بازار و قواعد کنترلی پویا، سیگنال‌های قیمتی را به تصمیمات معاملاتی ریسک‌محور تبدیل می‌کند. رویکرد اصلی این قسمت در ایجاد تعادل پایدار میان بازده و ریسک، کنترل افت سرمایه و حفظ انسجام رفتاری در شرایط متنوع بازار است. در مجموع، این پژوهش نشان می‌دهد که توسعه هم‌زمان سازوکارهای استخراج ویژگی عمیق و تصمیم‌گیری ساختارمند ریسک‌محور می‌تواند چارچوبی کارآمد برای مواجهه با پیچیدگی‌های بازارهای مالی فراهم آورد.