چکیده: معاملات سهام، جفت‌ارزها و رمزارزها به دلیل جذابیت بالا و پتانسیل سوددهی، همواره مورد توجه افراد متخصص و غیرمتخصص بوده است. در سال 1402، حجم معاملات روزانه در بزرگ‌ترین بازارهای مالی جهان نظیر فارکس و نزدک به ترتیب به 6.6 تریلیون دلار و 300 میلیارد دلار رسید، که این آمار باعث افزایش روزافزون معامله‌گران شده است. یکی از چالش‌های اصلی معامله‌گران، یافتن استراتژی‌های سودآور در بازارهای پرتلاطم و پیچیده است. با پیشرفت‌های اخیر در هوش مصنوعی، به‌ویژه یادگیری ماشین و یادگیری تقویتی ، توسعه استراتژی‌های معاملاتی هوشمند امکان‌پذیر شده است.این پیشرفت‌ها، به‌ویژه در زمینه یادگیری تقویتی عمیق ، امکان استفاده از الگوریتم‌هایی نظیر A2C ، PPO ، DDPG و TD3 را به عنوان عامل‌های هوشمند فراهم کرده است که با تعامل و سازگاری با محیط پرتلاطم بازار، به بهبود نتایج معاملاتی و حداکثرسازی سود کمک می‌کنند. در این تحقیق، با استفاده از الگوریتم‌های یادگیری تقویتی عمیق، مزایا و محدودیت‌های هر عامل را بررسی کرده و سپس با ارائه یک استراتژی ترکیبی دولایه مبتنی بر رای‌گیری از تمامی عامل‌ها، به حداکثرسازی سود و کاهش ریسک در معاملات مالی دست یافته‌ایم.این روش روی 30 سهام برتر داوجونز، نزدک و S&P500 در بازه زمانی یک‌روزه اجرا شده و نتایج نشان می‌دهد که استراتژی ارائه‌شده با سوددهی 51% در داوجونز، 59% در نزدک و 49% در S&P500 عملکرد بهتری نسبت به روش‌های صرفاً مبتنی بر یادگیری ماشین داشته است.