fa چارچوب دو زمانه یادگیری عمیق مبتنی بر ابر ایچیموکو و CNN بهینه شده برای پیش بینی روند در بازار فارکس ریاضی Mat مقاله استخراج شده از پایان نامه Research Paper در این پژوهش، با توجه به پیچیدگی روزافزون بازار فارکس، یک چارچوب جدید برای پیش‌بینی روند جفت‌ارزها ارائه می‌شود که به‌جای تمرکز بر مقدار قیمت، بر پیش‌بینی جهت حرکت بازار تمرکز دارد. این چارچوب مبتنی بر دو بازه‌ زمانی ۱ ساعته و ۴ ساعته بوده و استراتژی ایچیموکو را با مدل‌های یادگیری عمیق از جمله CNN، CNNLSTM و CNNGRU ترکیب می‌کند. برای بهبود عملکرد، ابرپارامترهای مدل‌ها با بهره‌گیری از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) تنظیم شده‌اند. مدل‌ها با داده‌های تاریخی EURUSD طی سال‌های ۲۰۱۹ تا ۲۰۲۴ از MetaTrader5 آموزش دیده و سپس روی هشت جفت‌ارز با همبستگی بیش از ۸۰٪ ارزیابی شده‌اند. به‌دلیل محدودیت معیارهای رگرسیونی مانند MSE، MAE&nbsp; و MAPE در سنجش کیفیت تصمیم‌گیری‌های معاملاتی، خروجی رگرسیون صرفاً برای تعیین روند ۴ ساعته استفاده شده و معیارهای Accuracy و F1-Score به‌عنوان شاخص‌های اصلی ارزیابی عملکرد به‌کار رفته‌اند. نتایج نشان می‌دهد مدل‌های بهینه‌شده با PSO به‌خصوص مدلICGP، نسبت به نسخه‌های غیر‌بهینه عملکرد برتری داشته و دقیق‌ترین نتایج را ارائه کرده‌اند؛ به‌گونه‌ای که دقت پیش‌بینی آن در جفت‌ارز USDSGD به 80.23% رسیده است. در مجموع، یافته‌ها بیانگر آن است که ترکیب ویژگی‌های مبتنی بر ایچیموکو با معماری‌های ترکیبی یادگیری عمیق و روش‌های فراابتکاری، توانایی پیش‌بینی روند و قابلیت تعمیم را در شرایط پرتلاطم بازارهای مالی به‌طور قابل‌توجهی افزایش می‌دهد. <strong>Introduction</strong><br> As the Forex market becomes increasingly complex, accurate trend forecasting has gained critical importance for traders and researchers. Unlike most studies that focus on price prediction, this paper introduces a novel bi-timeframe framework (1-hour and 4-hour) that integrates the Ichimoku Kinko Hyo strategy with deep learning models to predict directional movements in currency pairs.&nbsp;<br> <br> <strong>Materials and Methods</strong><br> The approach employs convolutional neural networks (CNNs) and hybrid architectures (CNN-LSTM, CNN-GRU), with hyperparameters optimized using the Particle Swarm Optimization Algorithm (PSO). Models are trained on historical EURUSD data (2019--2024) from MetaTrader5 and evaluated on eight highly correlated ($pm$80%) currency pairs. Due to the limitations of regression metrics (MAE, MSE, MAPE) in trading contexts, regression outputs are used solely for 4-hour trend classification, with Accuracy and F1-score as primary performance measures.&nbsp;<br> <br> <strong>Results and Discussion</strong><br> Results show that PSO-optimized models, particularly Ichimoku-CNN-GRU-PSO (ICGP), consistently outperform standard variants, achieving the highest Accuracy (up to 80.23% on USDSGD) and F1-score across most pairs.&nbsp;<br> <br> <strong>Conclusion</strong><br> The findings confirm that Ichimoku-based features, combined with hybrid deep learning and metaheuristic optimization, significantly enhances trend forecasting reliability and generalization in volatile financial markets. پیش بینی روند فارکس, شبکه عصبی کانولوشنی, استراتژی ایچیموکو, الگوریتم فراابتکاری. Forex trend forecasting, Convolutional Neural Networks, Ichimoku strategy, Metaheuristic optimization 168 180 http://mmr.khu.ac.ir/browse.php?a_code=A-10-1871-2&slc_lang=fa&sid=1 Omid Solaymani Fard امید سلیمانی فرد soleimani@um.ac.ir 10031947532846006980 10031947532846006980 Yes Seyedeh Zahra Hashemi سیده زهرا هاشمی zahrahashemi@mail.um.ac.ir 10031947532846006981 10031947532846006981 No