en استفاده از روشهای یادگیری ماشین در بازار مالی برای تجزیه و تحلیل فنی مبتنی بر مدلهای ترکیبی در این مطالعه ، یک مدل ترکیبی جدید مبتنی بر شبکه های عصبی عمیق برای پیش بینی جهت و میزان حرکت بازار فارکس در کوتاه مدت ارائه شده است. مدل کلی ارائه شده براساس استراتژی جرم گیری است و برای معاملات با فرکانس بالا ارائه شده است. مدل ترکیبی پیشنهادی مبتنی بر ترکیبی از سه مدل مبتنی بر شبکه های عصبی عمیق است. مدل اول یک شبکه عصبی عمیق با ساختار چند ورودی متشکل از ترکیبی از لایه های حافظه کوتاه مدت است. مدل دوم یک شبکه عصبی عمیق با ساختار چند ورودی است که از ترکیبی از لایه های شبکه عصبی کانولوشن یک بعدی ساخته شده است. مدل سوم ساختار ساده تری دارد و یک مدل چند ورودی از لایه های چند لایه پرسپترون است. مدل کلی همچنین مدلی بود که بر اساس آرای اکثریت سه مدل ، برتر بود. این مطالعه نشان داد که مدلهای مبتنی بر لایه های حافظه کوتاه مدت طولانی&nbsp;با بیش از 70٪ دقت نتایج بهتری نسبت به مدلهای دیگر و حتی مدلهای ترکیبی ارائه می دهند. In this study, it is presented a new hybrid model based on deep neural networks to predict the direction and magnitude of the Forex market movement in the short term. The overall model presented is based on the scalping strategy and is provided for high frequency transactions. The proposed hybrid model is based on a combination of three models based on deep neural networks. The first model is a deep neural network with a multi-input <a name="_Hlk64064076">structure </a>consisting of a combination of Long Short Term Memory layers. The second model is a deep neural network with a multi-input structure made of a combination of one-dimensional Convolutional Neural network layers. The third model has a simpler structure and is a multi-input model of the Multi-Layer Perceptron layers. The overall model was also a model based on the majority vote of three top models. This study showed that models based on Long Short-Term Memory layers provided better results than the other models and even hybrid models with more than 70% accurate. پیش بینی فارکس , یادگیری ماشین , یادگیری عمیق , تجارت با فرکانس بالا , شبکه عصبی , حافظه بلند مدت و کوتاه مدت , شبکه عصبی کانولوشن , پرسپترون چند لایه Forex prediction, Machine learning, Deep learning, High frequency trading, Neural network, Long and short-term memory, convolutional neural network, Multi-Layer perceptron 1 11 http://sjamao.srpub.org/browse.php?a_code=A-10-2-59&slc_lang=en&sid=7 Amir Hossein Sabbaghi Lalimi امیرحسین صیاغی لالیمی 1003194753284600279 1003194753284600279 No Faculty of Industry Engineering, Department of Socio-Economic Systems, Sharif University of Technology, Iran. دانشکده مهندسی صنایع ، گروه سیستم های اقتصادی - اجتماعی ، دانشگاه صنعتی شریف ، ایران. Hamed Damavandi حامد دماوندی 1003194753284600280 1003194753284600280 Yes Faculty of Industry Engineering, Department of Socio-Economic Systems, Sharif University of Technology, Iran. دانشکده مهندسی صنایع ، گروه سیستم های اقتصادی - اجتماعی ، دانشگاه صنعتی شریف ، ایران.