مدل بهینه سازی نمونه کارها برای طلا و بیت کوین بر اساس مدل LSTM دو لایه یک طرفه وزنی و استراتژی SMA-Slope

این یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی ذکر شود.

داده های مرتبط

داده های موجود در این مقاله بدون هیچ گونه محدودیتی در دسترس است.

خلاصه

بهینه سازی نمونه کارها یکی از پیچیده ترین مشکلات در زمینه مالی است و تجزیه و تحلیل فنی ابزاری محبوب برای یافتن یک راه حل بهینه است که بازده را به حداکثر می رساند. در این مقاله یک مدل بهینه سازی نمونه کارها متشکل از یک مدل LSTM دو لایه یک طرفه وزنی و یک استراتژی SMA-Slope ایجاد شده است. مدل LSTM دو طرفه یک طرفه وزنی برای پیش بینی قیمت روزانه طلا/بیت کوین ، که به مشکل سنتی تاخیر پیش بینی می پردازد ، توسعه یافته است. بر اساس قیمت های پیش بینی شده و مقایسه دو استراتژی سرمایه گذاری نماینده ، میانگین حرکت ساده (SMA) و گروههای بولینگر (BB) ، این مقاله یک استراتژی سرمایه گذاری جدید ، استراتژی SM A-Slope را اتخاذ می کند ، که مفهوم K-Slope را برای اندازه گیری ارائه می دهدفراز و نشیب های روزانه طلا/بیت کوین. به عنوان دو محصول مالی معمولی ، طلا و بیت کوین از نظر ویژگی های آنها برعکس هستند ، که ممکن است نمایانگر بسیاری از محصولات مالی موجود در اوراق بهادار سرمایه گذاران باشد. با یک اصل 1000 دلار ، این مقاله یک شبیه سازی پنج ساله از تجارت طلا و بیت کوین را از 11 سپتامبر 2016 تا 10 سپتامبر 2021 انجام می دهد. برای جبران SMA و BB که ممکن است از دست دادن امتیاز ، 4 ارزش پارامتر مختلف در k-slope از طریق شبیه سازی بهینه سازی swarm ذرات بدست می آید. همچنین ، نتایج شبیه سازی حاکی از آن است که مدل بهینه سازی نمونه کارها پیشنهادی در کمک به سرمایه گذاران در تصمیم گیری های سرمایه گذاری با سودآوری بالا کمک می کند.

1. معرفی

صنعت 4. 0 برای اولین بار در سال 2013 معرفی شد و "انتقال از زمانی که افراد با رایانه کار می کردند به زمان کار رایانه ها بدون انسان" معرفی شد. جهان شاهد توسعه فناوری اطلاعات و استفاده گسترده از رایانه ها است. ظهور صنعت 4. 0 بر بازارهای مالی جهانی تأثیر گذاشته و همچنان به تکرارهای تکنولوژیکی در حوزه مالی ادامه می دهد [1]. بهینه سازی نمونه کارها همیشه در تحقیقات مالی مدرن موضوعی محبوب بوده است و سرمایه گذاران با سطح سرمایه های مختلف باید با مشکل انتخاب نمونه کارها روبرو شوند [2]. انتخاب بهینه نمونه کارها بالاترین بازده مورد انتظار را در یک محدوده خطر قابل قبول به دست می آورد [3] ، اما بازده بالا معمولاً با ریسک های بالایی همراه است [4]. تجزیه و تحلیل فنی از روندهای تاریخی بلند مدت و کوتاه مدت سهام برای کمک به سرمایه گذاران تصمیمات تجاری آگاهانه و سودآور استفاده می کند [5]. ژو و ژو خاطرنشان كردند كه تجزیه و تحلیل فنی می تواند در صورت پیش بینی بازده آنها ، ارزش سهام را به سهام اضافه كند. این امر به شناسایی فرصت های معاملاتی در صورت عدم قطعیت در مورد بازده سهام کمک می کند [6]. بهینه سازی نمونه کارها در دنیای واقعی یک مشکل ریاضی بسیار دشوار و پیچیده است [7]. بر اساس تجزیه و تحلیل فنی ، بهینه سازی نمونه کارها طلا و بیت کوین به دو زیرنویس ، پیش بینی قیمت روزانه و الگوریتم های تصمیم گیری استراتژی های سرمایه گذاری تقسیم می شود.

1. 1پیش بینی قیمت

اطلاعات در ساخت ، مشخصه اساسی صنعت 4. 0 محسوب می شود که ناشی از رونق و بلوغ فن آوری های جدید اطلاعات و ارتباطات است که برای فرآیندهای صنعتی و محصولات اعمال می شود [8]. رشد اطلاعات موجود در گیاهان صنعتی به استفاده گسترده از یادگیری ماشین در رفع نیازهای خاص صنعتی کمک کرده است [9]. در دوره صنعت 4. 0 ، پیش بینی موضوعی داغ است ، به ویژه توانایی پیش بینی وقایع مربوط به دارایی های صنعتی و فرآیندهای تولید [10]. با توسعه شدید هوش مصنوعی (AI) ، بسیاری از تکنیک های بهینه سازی مبتنی بر یادگیری ماشین و یادگیری عمیق ، بسیاری از سرمایه گذاران را مورد علاقه خود قرار داده اند ، که برای پیش بینی قیمت محصولات مالی ، به ویژه پیش بینی قیمت سهام استفاده می شوند. بسیاری از روش های بهینه برای پیش بینی قیمت سهام وجود دارد ، اما هنوز هیچ راه حل کاملی تدوین نشده است. قیمت سهام تحت تأثیر عوامل متعدد در بورس سهام قرار می گیرد و مکانیسم این عوامل بسیار پیچیده است. تغییرات در احساسات سرمایه گذار نیز دلیل اصلی تغییر در قیمت سهام است که معمولاً با تجزیه و تحلیل احساسات مورد تجزیه و تحلیل قرار می گیرند. با ارزیابی رابطه علّی بین VIX و BTC ، CHI نتیجه گرفت که بیت کوین یک دارایی ایمن در آب و هوای ترس نیست ، که به بدست آوردن بیشترین بازده ریسک کمک می کند [11]. علاوه بر این ، برخی از عوامل خارجی مانند رویداد Black Swan دشوار است اما به طور قابل توجهی بر قیمت سهام تأثیر می گذارد. به عنوان مثال ، همه گیر Covid-19 یک رویداد قو سیاه برای بازارهای مالی است [12].

پیش بینی سری زمانی به طور سنتی در اقتصاد سنجی با استفاده از مدل میانگین متحرک یکپارچه خود (ARIMA) انجام می شود [13]. اما برخی از مشکلات مدل ARIMA به تدریج در حال ظهور است زیرا در زمینه های مختلف اعمال می شود: (1) به عنوان یک مدل خطی ، ایجاد روابط غیرخطی بین متغیرها برای مدل ARIMA دشوار است.(2) با توجه به اینکه قیمت سهام معمولاً پر سر و صدا ، بی ثبات و غیر پارامتری است ، باید یک مشکل غیرخطی پیچیده باشد. با این حال ، خطای مدل ARIMA نمی تواند یک انحراف استاندارد ثابت داشته باشد. کین دریافت که اگرچه مشکل در مدل ARIMA با استفاده از مدل Arima-Garch می تواند تا حدی حل شود ، اما برخی از مشکلات بهینه سازی پارامترها در مدل ناهمگونی مشروط مشروط (GARCH) وجود دارد [14]. SAI عملکرد هسته دستگاه بردار پشتیبانی (SVM) را بهینه کرد و از مدل بهینه سازی شده برای پیش بینی و تجزیه و تحلیل شاخص سهام سرمایه گذاری استفاده کرد ، که به طور قابل توجهی بهتر از مدل Arima عمل می کرد [15]. با توسعه شبکه های عصبی و برتری حافظه کوتاه مدت بلند مدت (LSTM) در کارهای پردازش زبان طبیعی ، LSTM برای همان سریال زمان پیش بینی قیمت سهام استفاده شده است. MA عملکرد سه مدل را در پیش بینی قیمت سهام ، مدل ARIMA ، مدل شبکه عصبی مصنوعی (ANN) و مدل LSTM مقایسه کرد. Mahas دریافت که مدل LSTM به دلیل پیشرفت در مشکل شیب ناپدید شده عملکرد بهتری دارد [16]. Yurtsever متوجه شد که LSTM با مقایسه سه مدل سری چند متغیره (LSTM ، BI-LSTM و GRU) بهترین عملکرد را انجام داده است ، با استفاده از شش شاخص قیمت نفت خام ، شاخص قیمت مصرف کننده ، شاخص بازار سهام ، نرخ ارز مؤثر ، نرخ بهره و و و و نرخ بهره ، وقیمت طلا به عنوان ورودی مدل [17]. SAIFI ثابت کرد که مدل پیش بینی مبتنی بر LSTM کمی بهتر از سایر مدلهای پیش بینی (GRU ، DNN و RNN) در پیش بینی قیمت بیت کوین (رگرسیون) است [18]. سلوین و همکاران. عملکرد CNN ، LSTM و RNN را در همان پنجره کشویی آزمایش کرد و نتیجه گرفت که CNN می تواند تغییرات روند کوتاه مدت را ضبط کند و به نتایج بهتری نسبت به LSTM و RNN برسد زیرا CNN برای ایجاد پیش بینی به هیچ اطلاعات قبلی متکی نیست. فقط از پنجره داده فعلی برای پیش بینی استفاده می کند [19]. فلیشر و همکاران. LSTM برای ارزیابی پیش بینی های ارزهای رمزپایه مانند بیت کوین استفاده شده و خاطرنشان کرد که نتایج امیدوار کننده به نظر می رسد زیرا مقادیر پیش بینی شده بسیار کمی از مقادیر واقعی منحرف می شوند. هنوز،

با بازرسی دقیق تر ، معلوم شد که پیش بینی یک روز از زمان قیمت سهام از تئوری پیاده روی تصادفی پیروی می کند ، به این معنی که ماهیت حرکت آنها از یک پیاده روی تصادفی پیروی می کند. یعنی تغییرات در قیمت ها لزوماً نتیجه تغییرات قبلی نیست [20].

1. 2استراتژی سرمایه گذاری

تصمیم گیری ، نوعی رفتار انسانی با هدف دستیابی به یک هدف خاص ، در هر فعالیت جامعه بشری اتفاق می افتد [21]. استراتژی سرمایه گذاری مجموعه ای از قوانین برای راهنمایی سرمایه گذاران در تصمیمات تجاری است. استراتژی سرمایه گذاری مناسب برای موفقیت یک سرمایه گذار بسیار مهم است ، که هر سرمایه گذار را ملزم به تجزیه و تحلیل هرچه بیشتر داده های موجود می کند [22]. میانگین متحرک ساده (SMA) و گروههای بولینگر (BB) استراتژی های مشترک سرمایه گذاری هستند. SMA از دو میانگین متحرک ، یک دوره طولانی و یک دوره کوتاه در حال حرکت استفاده می کند که برای کمک به سرمایه گذاران تصمیم گیری می کند [23]. لیو و مالک یک چارچوب مبتنی بر شبکه عصبی برای بهبود تولید سود پیشنهاد کردند ، جایی که SMA به طور مؤثر نوسانات سهام را اندازه گیری می کند [24]. SMA از ثبات خوبی برخوردار است که تحت تأثیر نوسانات موقت قیمت نیست. BB از سه خط ، بالا ، وسط و پایین تشکیل شده است. BB را می توان برای تشخیص نوسانات و روندهای قیمت استفاده کرد که به سرمایه گذاران اجازه می دهد تا شکستگی ها را تحقق بخشند. BB برای شناسایی سهام با بالاترین سودآوری استفاده شد [25]. با این حال ، SMA به سرعت به اندازه کافی واکنش نشان نمی دهد تا تغییرات سریع قیمت در نقاط برگشت بازار را تغییر دهد و BB بیش از حد به حرکات فعلی بازار پاسخ می دهد. نقص SMA و BB ممکن است باعث شود سرمایه گذاران فرصت های خرید و فروش مناسب و مطلوب را از دست ندهند. علاوه بر تأمین زمان مناسب برای خرید و فروش ، نسبت خرید و فروش نیز تمرکز استراتژی سرمایه گذاری است. بهینه سازی swarm ذرات (PSO) برای بهینه سازی تنظیمات معاملات بیت کوین اتخاذ شد [26]. ژو و همکاران. PSO را به یک رویکرد متهوریستی برای حل ناپذیری پرتفوی اعمال کرد [27]. همچنین ، باتلر و کازاکوف خاطرنشان کردند که PSO می تواند نتایج معاملاتی بهتری ارائه دهد [28].

1. 3مشارکت

در این مقاله تجزیه و تحلیل فنی برای ایجاد یک مدل بهینه سازی نمونه کارها بر اساس مدل LSTM دو لایه یک طرفه و استراتژی SMA-Slope اتخاذ شده است. مدل LSTM دو لایه یک طرفه برای پیش بینی داده های متوسط روزانه طلا و بیت کوین ، که یکی از مهمترین اهداف صنعت 4. 0 ، پیش بینی هوشمند را تحقق می بخشد ، تهیه شده است. این یک رویکرد متداول برای طراحی اوراق بهادار با افق سرمایه گذاری بیشتر از یک سال بر اساس داده های روزانه است [29]. همچنین ، ما یک روش وزنه برداری را برای رفع مشکل سنتی پیش بینی پیش بینی پیشنهاد می کنیم. مدل LSTM یک لایه یک طرفه LSTM در دو مجموعه داده ، قیمت طلای روزانه (انجمن بازار شمش لندن ، 9 نوامبر 2021) و قیمت های بیت کوین (NASDAQ ، 9 نوامبر 2021) آموزش داده و آزمایش می شود. طلا و بیت کوین به دلیل روند نوسانات بسیار متفاوت و ویژگی های مخالف مانند خطی و ثبات ، دو محصولات مالی با قطر مخالف هستند. همچنین ، این مقاله استراتژی SMA-Slope را معرفی می کند. استراتژی SMA-Slope از PSO برای تعیین نسبت خرید و فروش بهینه استفاده می کند. همچنین با استفاده از مفهوم k-slope بر اساس استراتژی SMA ، امتیاز خرید و فروش را افزایش می دهد ، که عدم حساسیت استراتژی SMA را به نوسانات قیمت کوتاه مدت برطرف می کند. معرفی K-slope نوعی رفتار انسانی را نشان می دهد ، زیرا سرمایه گذاران تمایل ندارند تا زمانی که به روندهای جدید قابل قبول متقاعد نشوند ، دیدگاه های موجود خود را تغییر دهند [30]. شبیه سازی یک فناوری کلیدی در دوران صنعت 4. 0 است [31]. ما با یک اصل اولیه 1000 دلار و کمیسیون های مختلف معاملاتی به عنوان یک پیش نیاز ، ما استراتژی SMA را با استراتژی های SMA و BB با شبیه سازی 5 سال تجارت واقعی از سال 2016 تا 2021 مقایسه می کنیم.

در حال حاضر ، بیشتر تحقیقات بر پیش بینی قیمت و استراتژی های سرمایه گذاری سهام متمرکز است. بر اساس تجزیه و تحلیل فنی سهام ، این مقاله بهینه سازی نمونه کارها را برای طلا و بیت کوین در نظر می گیرد. طلا و بیت کوین محصولات معمولی بازار مالی هستند که دارای ویژگی های مخالف هستند. مطالعه بهینه سازی نمونه کارها از این دو محصول مالی به بهینه سازی نمونه کارها محصولات مختلف با ویژگی های مختلف در بازار مالی کمک می کند. همچنین ، ضمن پیش بینی قیمت ، به شاخص های ارزیابی رگرسیون مانند RMSE و MAPE توجه بیشتری شده است. تعداد کمی از مطالعات بر عملکرد مدل های سری زمان بر روی سهام و طلا/بیت کوین از نظر پیش بینی متمرکز شده است. تأخیر پیش بینی یک مشکل سنتی مشکل سری زمانی است و تحقیقات نشان داده اند که LSTM می تواند آن را تا حدی حل کند [32]. این مقاله به تأخیر پیش بینی می پردازد و از یک متریک تاخیر (دقت بالا و پایین) برای ارزیابی عملکرد استفاده می کند. یک پنجره کشویی کوچک برای پیش بینی استفاده می شود و قیمت های پیش بینی شده برای چند روز آینده به دست آمده توسط مدل وزن می شود. وزن های خاص از آزمایشات مختلف به دست می آید که باعث افزایش دقت ظهور و سقوط می شود. علاوه بر این ، تعداد کمی از مقالات تجزیه و تحلیل مقایسه ای از استراتژی SMA و استراتژی باند بولینگر ارائه می دهند ، و امتیاز خرید و فروش به دلیل این دو اقدامات استراتژی مورد توجه قرار نمی گیرد. در این مقاله ، استراتژی شیب SMA بر اساس مفهوم K-Slope ارائه شده است ، که باعث بهبود حساسیت به امتیاز خرید و فروش معقول می شود.

2. روش شناسی

2. 1انتخاب ویژگی

بر اساس بررسی ادبیات [33 ، 34] و در دسترس بودن داده ها ، ما 18 ویژگی را انتخاب می کنیم: میانگین حرکت ساده (SMA) ، تغییر نسبی (RC) ، میانگین متحرک نمایی (EMA) ، میانگین متحرک همگرایی/واگرایی (MACD) ، قدرت نسبیفهرست (RSI) ، گروههای بولینگر و غیره. از این ویژگی ها به عنوان بردارهای ورودی به مدل LSTM برای آموزش استفاده می شود. از مدل LSTM برای پیش بینی قیمت متوسط روزانه طلا/بیت کوین استفاده می شود.

میانگین حرکت ساده (SMA) در آخرین روزهای K توسط (1) به شرح زیر محاسبه می شود:

sma k = p n - k + 1 + p n - k + 2 + ⋯ + p n k = 1 k ∑ i = n - k + 1 n p i ،_{جایی که P}من

ارزش طلا/بیت کوین در روز I است.

تغییر نسبی (RC) میانگین متحرک ساده توسط (2) به شرح زیر محاسبه می شود:

rc = ln sma 1 sma 5 ،₁جایی که SMA₅میانگین حرکت ساده در طی 1 روز گذشته و SMA است

میانگین حرکت ساده در طی 5 روز گذشته است.

EMA i = p 1 , i = 1 , n − 1 n + 1 EMA i − 1 + 2 n + 1 p i , i>میانگین متحرک نمایی (EMA) در n روز گذشته با (3) به صورت زیر محاسبه می شود:

sma k = p n - k + 1 + p n - k + 2 + ⋯ + p n k = 1 k ∑ i = n - k + 1 n p i ،_{جایی که P}من

ارزش طلا/بیت کوین در روز اول است.

مقدار دیفرانسیل (DIF) توسط (4) به صورت زیر محاسبه می شود:

DIF i = EMA i 12 - EMA i 26،_{جایی که P}من_{جایی که P}من

(26) میانگین متحرک نمایی در 26 روز گذشته در روز i است.

DEA i = 0 , i = 1 , 0.8 DEA i − 1 + 0.2 DIF i , i>میانگین متحرک نمایی (EMA) در n روز گذشته با (3) به صورت زیر محاسبه می شود:

1،_{جایی که P}من

ارزش دیفرانسیل طلا/بیت کوین در روز اول است.

میانگین متحرک همگرایی/واگرایی (MACD) با (6) به صورت زیر محاسبه می شود:

1،_{جایی که P}من_{جایی که P}من

میانگین نمایی دیفرانسیل طلا/بیت کوین در روز اول است._{جایی که P}>من_پم ن-1

. رشد ناخالص (GG) در 14 روز گذشته توسط (7) به شرح زیر محاسبه می شود:

sma k = p n - k + 1 + p n - k + 2 + ⋯ + p n k = 1 k ∑ i = n - k + 1 n p i ،_{جایی که P}من

ارزش طلا/بیت کوین در روز اول است._{جایی که P}من_پم ن-1

. کاهش ناخالص (GD) طی 14 روز گذشته توسط (8) به شرح زیر محاسبه می شود:

GD = ∑ i = n − 13 14 p i − 1 − p i .

استحکام نسبی (RS) با (9) به صورت زیر محاسبه می شود:

RS = GG GD،

که در آن GS رشد ناخالص و GD کاهش ناخالص است.

شاخص مقاومت نسبی (RSI) با (10) به صورت زیر محاسبه می شود:

RSI = 100 − 100 1 + RS،

که در آن RS قدرت نسبی است.

باندهای بولینگر به باند بولینگر بالایی، باند بولینگر میانی و باند بولینگر پایینی اشاره دارد که می تواند منعکس کننده نوسانات ارزش طلا/بیت کوین در طول زمان باشد. باند بولینگر وسط (MBB) در 20 روز گذشته توسط (11) به صورت زیر محاسبه می شود:

sma k = p n - k + 1 + p n - k + 2 + ⋯ + p n k = 1 k ∑ i = n - k + 1 n p i ،_{جایی که P}من

ارزش طلا/بیت کوین در روز اول است.

باند بالایی بولینگر (UBB) در 20 روز گذشته توسط (12) به صورت زیر محاسبه می شود:

UBB = MBB + 2 σ ,

که در آن MBB باند بولینگر وسط و σ انحراف استاندارد ارزش طلا/بیت کوین در 20 روز گذشته است.

باند پایین بولینگر (LBB) در 20 روز گذشته با (13) به صورت زیر محاسبه می شود:

UBB = MBB + 2 σ ,

جایی که MBB باند میانه بولینگر است و σ انحراف استاندارد از ارزش طلا/بیت کوین در طی 20 روز گذشته است.

2. 2پیش بینی قیمت با مدل LSTM

شبکه عصبی مکرر (RNN) می تواند ویژگی های مرتبط با توالی داده های سری زمانی مالی را منعکس کند ، اما مشکل ناپدید شدن شیب یا انفجار شیب دارد. همچنین ، استخراج اطلاعات تاریخی آن برای داده های سری زمانی بسیار محدود است. LSTM یک RNN خاص است که می تواند وابستگی های طولانی مدت داده های سری زمانی را کنترل کند [35]. بنابراین ، مدل LSTM تا حدی یک مدل RNN بهبود یافته است. شکل 1 ساختار شبکه LSTM را نشان می دهد. واحد اصلی مدل LSTM یک بلوک حافظه است که شامل یک سلول حافظه و سه ساختار دروازه است که حالت سلول حافظه را کنترل می کند ، دروازه را فراموش می کند ، دروازه ورودی و دروازه خروجی. به طور خاص ، دروازه فراموش شده تصمیم می گیرد اطلاعات تاریخی بی فایده را از حالت سلول حافظه فراموش کند ، دروازه ورودی تأثیر داده های ورودی فعلی را بر وضعیت سلول حافظه تصمیم می گیرد و دروازه خروجی اطلاعات خروجی را تعیین می کند.

ساختار شبکه LSTM._{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف

) از (14) به شرح زیر:

f t = σ b f + w f x t + u f h t - 1 ،_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف

تعصب ، وزن ورودی و وزن حلقه دروازه فراموش شده است._{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف

) توسط یک عملکرد فعال سازی سیگموئید (15) به شرح زیر کنترل می شود:

g t = σ b g + w g x t + u g h t - 1._{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف_{) بر اساس C به روز می شود}t −1

توسط (16) به شرح زیر:

c t = f t ∗ c t - 1 + g t ∗ tan h b c + w c x t + u c h t - 1 ،_{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف

وضعیت سلول حافظه را در زمان t نشان می دهد._{در مرحله اول ، اطلاعاتی که باید از سلول حذف شود توسط دروازه فراموش شده تعیین می شود (F}حرف

) از (18) به شرح زیر: h t = o t tanh c t ،

o t = σ b o + w o x t + u o h t - 1.

ما ابتدا دو مدل ، مدل LSTM دو لایه یک طرفه و مدل LSTM دو طرفه را می سازیم که هدف آن پیش بینی میانگین قیمت روزانه بیت کوین پس از 1 روز بر اساس قیمت ها در 8 روز گذشته است. ما به ترتیب نتایج پیش بینی را برای ویندوزهای زمان مختلف برای قیمت های طلا/بیت کوین مقایسه می کنیم.

علاوه بر این ، برای رسیدگی به مشکل تاخیر پیش بینی ، ما بهینه سازی های بیشتری را برای کاهش آن و بهبود صحت فراز و نشیب ها اتخاذ می کنیم. ما دامنه پیش بینی ها را گسترش می دهیم ، میانگین قیمت 3 روز پس از پیش بینی N-day قبلی است و بالا و پایین آمدن قیمت ها (روند) از نظر بازده طی سه روز آینده بیان می شود.

بالا و پایین آمدن قیمت ها (روند) توسط (19) به شرح زیر محاسبه می شود:

روند = γ 1 ∗ قیمت n + 1 قیمت n + γ 2 ∗ قیمت n + 2 قیمت n + 1 + γ 3 ∗ قیمت n + 3 قیمت n + 2 ،_{جایی که P}من

· (i = 1 ، 2 ، 3) وزن نرخ نوسان برای سه روز آینده است ، قیمت (N) قیمت دیروز برای روز n و قیمت (i) (i = n + 1 است، n + 2 ، n + 3) قیمت پیش بینی شده برای سه روز آینده است.

نتیجه نهایی پیش بینی شده (نتیجه) توسط (20) به شرح زیر محاسبه می شود:

نتیجه = روند × قیمت n.

ما 5 شاخص را به عنوان معیارهای ارزیابی برای عملکرد مدل انتخاب می کنیم: میانگین خطای مربع (MSE) ، انحراف میانگین مربع ریشه (RMSD) ، ضریب تعیین (R 2) ، میانگین خطای درصد مطلق (MAPE) و صحت UPS و Downsپیش بینی ها (دقت).

میانگین خطای مربع (MSE) توسط (21) به شرح زیر محاسبه می شود:

mse = 1 n ∑ i = 1 n y i - y i ^ 2 ،_{جایی که P}من_{جایی که P}.

من

خطای میانگین مربع (RMSE) توسط (22) به شرح زیر محاسبه می شود:

rmse = mse = ∑ i = 1 n y i ^ - y i 2 n ،

جایی که MSE میانگین خطای مربع است.

ضریب تعیین (R 2) توسط (23) به شرح زیر محاسبه می شود:

r 2 = 1 - s s res s s t tot = 1 - ∑ i = 1 n y i - y ¯ 2 ∑ i = 1 n y i - y i ^ 2 ،_{جایی که SS}سر_{مجموع مربع های باقیمانده ، SS است}جمع_{جایی که P}من_{جایی که P}.

من

میانگین خطای درصد مطلق (MAPE) توسط (24) به شرح زیر محاسبه می شود:

mse = 1 n ∑ i = 1 n y i - y i ^ 2 ،_{جایی که P}من_{جایی که P}.

من

2. 3استراتژی های معاملاتی

2. 3. 1. تأسیس استراتژی

با یک اصل اولیه 1000 دلار ، نسبت موقعیت خرید مشخص شده ، نسبت موقعیت را به فروش می رساند و برای اولین بار/بعد از ترخیص قبل از شروع روند معاملات ، نسبت موقعیت را خریداری می کنیم. شکل 2 نمودار ساختار چارچوب پشتی استراتژی است. در مرحله اول ، قیمت روزانه طلا/بیت کوین از طریق مدل LSTM دو لایه یک طرفه وزنی پیش بینی می شود. در مرحله بعد ، ما تعیین می کنیم که آیا امروز یک روز معاملاتی است و زمان مناسب برای خرید یا فروش طبق استراتژی های مختلف. به این ترتیب ، ما می توانیم 9 ترکیب خرید و فروش مختلف را برای طلا و بیت کوین بدست آوریم. شکل 3 استراتژی معاملات دقیق را نشان می دهد. برای تاریخ خرید یا فروش همزمان ، ما PSO را برای به دست آوردن نسبت خرید و فروش بهینه طلا و بیت کوین اتخاذ می کنیم ، جایی که عملکرد هدف برای به حداکثر رساندن سود است. سرانجام ، ما وضعیت دارایی ، از جمله کل دارایی ها ، دارایی های طلا ، دارایی های بیت کوین و دارایی خالی را خلاصه می کنیم. این آزمایش به رهبری اشمیت و تراوب نشان داد که بیزاری از دست دادن یک رفتار متداول انسان در بیشتر مواقع است [36]. هنگامی که ضرر به 3 ٪ یا 5 ٪ از اصل اولیه برسد ، تمام موقعیت ها پاک می شوند تا ضرر به موقع متوقف شود.

نمودار ساختار چارچوب پشتی استراتژی.

نمودار نمودار استراتژی تجارت.

2. 3. 2. فرآیند استراتژی

(1) استراتژی متوسط حرکت ساده. ما دو شاخص خاص را انتخاب می کنیم ، میانگین حرکت ساده مدت ساده (SMA) به طور متوسط 15 روز قیمت روزانه و SMA کوتاه مدت 5 روز. هنگامی که SMA کوتاه مدت از SMA بلند مدت فراتر می رود ، دارایی روند صعودی دارد و دلالت بر این دارد که برای خرید مناسب است. هنگامی که SMA کوتاه مدت به پایین حرکت می کند و با SMA بلند مدت در هم می رود ، دارایی روند نزولی دارد و آن را برای فروش مناسب می کند.

(2) استراتژی باندهای بولینگر. نوارهای بولینگر (BB) مناطق حمایت و مقاومت را نشان می دهد. مجموعه ای از پارامترها را می توان با توجه به مدت زمان در شرایط مختلف اتخاذ کرد. ما 20 روز را انتخاب می کنیم و از 2 به عنوان پارامتر ضربی قبل از انحراف استاندارد استفاده می کنیم زیرا ترکیب پیشنهادی رایج ترین استاندارد مورد استفاده است و بسیاری از سرمایه گذاران را مورد توجه قرار می دهد [37]. زمانی که میانگین قیمت روزانه طلا/بیت کوین از خطوط بولینگر بالاتر می رود، قیمت دارایی به افزایش خود ادامه می دهد، که به این معنی است که عملیات فروش باید محافظه کارانه در نظر گرفته شود. زمانی که میانگین قیمت روزانه طلا/بیت کوین از خطوط پایین تر بولینگر کمتر باشد، قیمت دارایی به کاهش خود ادامه می دهد، که نشان می دهد یک عملیات خرید باید محافظه کارانه در نظر گرفته شود.

We calculate the ratio of positive/negative slopes for gold/Bitcoin for k consecutive days ( Table 1 ). It can be easily noticed that, by introducing the concept of k -slope, many k make the number of days that meet the trading conditions exceed the number of days to trade formed by SMA and BB strategies only. When k>(3) استراتژی SMA-Slope. ما یک استراتژی جدید به نام استراتژی SMA-slope با معرفی یک مفهوم جدید از k-slope بر اساس SMA ایجاد می کنیم. پارامتر k شیب k به تعداد روزهایی که شیب متوالی مثبت/منفی است اشاره دارد. شیب k برای افزایش امتیاز خرید و فروش استفاده می شود که سرمایه گذاری را برای ایجاد نرخ های بهره عالی تر تشویق می کند.

10، تعداد روزهایی که شرایط معامله را دارند کمتر است. بنابراین، پیمایش ها و جستجو را در محدوده ای از k تا [1، 12] تنظیم می کنیم. با توجه به اینکه استراتژی SMA از استراتژی باند بولینگر بهتر عمل کرده است، ما شیب k را در استراتژی SMA وارد می کنیم تا استراتژی شیب SMA را تشکیل دهیم، که می تواند روزهای معاملاتی بیشتری نسبت به استراتژی SMA ایجاد کند. همچنین، احتمال داد و ستد طلا و بیت کوین به صورت همزمان را افزایش می دهد، بنابراین با استفاده از PSO انتظار نتایج بهتری را داریم.

میز 1

منفی (٪)

شیب k طلا/بیت کوین نشان دهنده افزایش یا کاهش شدید قیمت است که می تواند برای شناسایی روند برای ایجاد یک سوگیری تجاری استفاده شود. یک شیب مثبت یک سوگیری صعودی را دیکته می کند، در حالی که یک شیب منفی یک سوگیری نزولی را دیکته می کند. با این حال، شیب k از یک روند یا نقطه قیمت پیروی می کند که نمی تواند روند را پیش بینی کند. برای رفع مشکلات تاخیرهای احتمالی، از قیمت پیش بینی شده امروز و داده های واقعی دیروز برای محاسبه شیب امروز استفاده می کنیم.

mse = 1 n ∑ i = 1 n y i - y i ^ 2 ،_پم ن-1_{جایی که P}.

When k> 2, if the slopes for consecutive k days are both positive and negative and the absolute value of the slope for the most recent day is less than the absolute value of the slope today, we will consider it as a possible buying/selling point. Directional movement is also important for analyzing the slope. When the k- slope continues to be positive and has a slowing trend, we decide that this is an appropriate selling point; when the k- slope continues to be negative and has a slowing trend, we decide that this is an appropriate buying point. To sum up, when k>من_{جایی که P}>من_{جایی که P} <0 as a buying point.

من

ما تعداد روزهای متوالی را تعیین می کنیم که بیت کوین شیب مثبت دارد به عنوان بیت کوین_ K _ Positive ، و مقداری که نیازهای لازم را برآورده می کند ، زمان مناسبی برای فروش بیت کوین در آن روز است. ما تعداد روزهای متوالی را تعیین می کنیم که بیت کوین شیب منفی دارد به عنوان بیت کوین_ K _ منفی ، و مقداری که نیازهای لازم را برآورده می کند ، زمان مناسبی برای خرید بیت کوین در آن روز است. Gold_ K _ Positive و Gold_ K _ منفی به طور مشابه تعریف می شوند. ما یک جستجوی مسافرتی با دامنه 1 تا 12 برای این چهار پارامتر انجام می دهیم تا مقدار بهینه K را در K-slope پیدا کنیم.

3. نتایج

3. 1عملکرد مدل LSTM بر اساس انتخاب ویژگی

ارقام شکل 4 و 5 5 ضرایب همبستگی کلیه ویژگی ها با قیمت متوسط روزانه طلا/بیت کوین را نشان می دهد. هرچه رنگ تیره تر باشد ، تأثیر این ویژگی در مقدار طلا/بیت کوین کوچکتر خواهد بود. همچنین ، هرچه رنگ سبک تر باشد ، تأثیر این ویژگی بر مقدار طلا/بیت کوین بیشتر می شود. ارزش طلا ضریب همبستگی زیادی با تمام ویژگی های گروههای SMA و بولینجر دارد که دلالت بر یک همبستگی مثبت دارد. به طور خاص ، ضرایب همبستگی 5 روزه SMA و 5 روز EMA به 1. 0 می رسد که یک همبستگی مثبت کامل است. بنابراین ، این خصوصیات می تواند تأثیر بیشتری بر ارزش طلا داشته باشد. ضرایب همبستگی RC ، RSI و MACD به ترتیب 0. 05 ، 0. 12 و 0. 02 بود که همبستگی ضعیف مثبت نشان می داد.