پیش بینی قیمت بیت کوین و تجارت: رویکردهای تجزیه و تحلیل داده ها

در حال حاضر ، محبوب ترین cryptocurrency بیت کوین است. پیش بینی ارزش آینده بیت کوین می تواند به سرمایه گذاران کمک کند تا تصمیمات تحصیل کرده تر بگیرند و یک مرجع را برای ارزیابی cryptocurrency به مقامات ارائه دهند. جدید بودن مدل های پیش بینی پیشنهادی در استفاده از هوش مصنوعی برای شناسایی قیمت های رمزنگاری حرکتی ، به ویژه قیمت بیت کوین نهفته است. یک مدل پیش بینی که می تواند با دقت و قابل اعتماد پیش بینی نوسانات و تغییرات قیمت بازار برای مدیریت نمونه کارها و بهینه سازی در این بازار مالی به طور مداوم در حال گسترش باشد. در این مقاله ، ما یک تحلیل سری زمانی را بررسی می کنیم که از یادگیری عمیق برای بررسی نوسانات استفاده می کند و توضیحی برای این رفتار ارائه می دهد. یافته های ما دارای نتایج مدیریتی مانند پتانسیل توسعه یک محصول برای سرمایه گذاران است. این می تواند با تنظیم فشار بیش از حد مختلف برای تولید یک مدل دقیق تر برای پیش بینی قیمت ارزهای رمزنگاری شده ، به گسترش مدل ما کمک کند. یکی دیگر از پیامدهای مدیریتی احتمالی یافته های ما ، پتانسیل توسعه یک محصول برای سرمایه گذاران است ، زیرا می تواند قیمت ارزهای رمزپایه را با دقت بیشتری پیش بینی کند. مدل های پیشنهادی با جمع آوری قیمت های بیت کوین تاریخی از 1 ژانویه 2021 تا 16 ژوئن 2022 مورد بررسی قرار گرفت. تجزیه و تحلیل نتایج مدل های GRU و MLP نشان داد که مدل MLP در مرحله آموزشی در R = 99. 15 ٪ در R = 99. 15 ٪ به دست آورد. 98. 90 ٪ در مرحله آزمایش. این یافته ها با توجه به عدم قطعیت های ناشی از ارزهای دیجیتال ، می توانند تأثیر قابل توجهی در مناسب بودن قیمت گذاری دارایی داشته باشند. علاوه بر این ، این یافته ها ابزارهایی را ارائه می دهند که در ایجاد ثبات در بازارهای رمزنگاری نقش دارند. با کمک به ارزیابی دارایی ارزهای رمزنگاری شده ، مانند بیت کوین ، مدل های ما نتایج موفقیت بالا و پایدار را نسبت به افق پیش بینی آینده ارائه می دهند. به طور کلی ، مدلهای شرح داده شده در این مقاله تخمین های دقیقی از ارزش واقعی بازار بیت کوین ارائه می دهند. از آنجا که این مدل ها کاربران را قادر می سازد تا زمان فروش بیت کوین را ارزیابی کرده و با دقت بیشتری خریدها را ارزیابی کنند ، آنها می توانند در هنگام استفاده از سرمایه گذاران و بازرگانان ، بر اقتصاد تأثیر بگذارند.

کلید واژه ها:

1. معرفی

به عنوان یک سیستم تبادل ارز الکترونیکی جدید ، ارزهای رمزنگاری شده به طور گسترده ای به عنوان عواقب قابل توجهی برای بازارهای در حال توسعه و اقتصاد جهانی شناخته شده است [1]. در حالی که بیشتر فعالیتهای مالی را تحمیل می کند ، تجارت Cryptocurrency به عنوان یکی از محبوب ترین و امیدوار کننده ترین گزینه های سرمایه گذاری در دسترس امروز برای سرمایه گذاران ، به رسمیت شناخته شده است. اگرچه این بخش مالی با سرعت زیادی در حال رشد است ، اما با نوسانات قابل توجه و تغییرات قابل توجه قیمت در طی یک سال واحد نیز مشخص می شود. پیش بینی قیمت های رمزنگاری اغلب به عنوان یکی از چالش برانگیزترین پیش بینی های سری زمانی در نظر گرفته می شود [2،3،4] ، بیشتر به دلیل نوسانات قابل توجه قیمت و تعداد عظیمی از عناصر تحریک کننده غیرقابل پیش بینی. این چالش ها ناشی از وابستگی های زمانی پیچیده ذاتی در تعداد قابل توجهی از عوامل غیرقابل پیش بینی درگیر است.< SPAN> به عنوان یک سیستم تبادل ارز الکترونیکی جایگزین جدید ، ارزهای رمزنگاری شده به طور گسترده ای به عنوان عواقب قابل توجهی برای بازارهای در حال توسعه و اقتصاد جهانی شناخته شده اند [1]. در حالی که بیشتر فعالیتهای مالی را تحمیل می کند ، تجارت Cryptocurrency به عنوان یکی از محبوب ترین و امیدوار کننده ترین گزینه های سرمایه گذاری در دسترس امروز برای سرمایه گذاران ، به رسمیت شناخته شده است. اگرچه این بخش مالی با سرعت زیادی در حال رشد است ، اما با نوسانات قابل توجه و تغییرات قابل توجه قیمت در طی یک سال واحد نیز مشخص می شود. پیش بینی قیمت های رمزنگاری اغلب به عنوان یکی از چالش برانگیزترین پیش بینی های سری زمانی در نظر گرفته می شود [2،3،4] ، بیشتر به دلیل نوسانات قابل توجه قیمت و تعداد عظیمی از عناصر تحریک کننده غیرقابل پیش بینی. این چالش ها ناشی از وابستگی های زمانی پیچیده ذاتی در تعداد قابل توجهی از عوامل غیرقابل پیش بینی درگیر است. در یک سیستم تبادل ارز الکترونیکی جایگزین جدید ، ارزهای رمزنگاری شده به طور گسترده ای به عنوان عواقب قابل توجهی برای بازارهای در حال توسعه و اقتصاد جهانی شناخته شده است [1]. در حالی که بیشتر فعالیتهای مالی را تحمیل می کند ، تجارت Cryptocurrency به عنوان یکی از محبوب ترین و امیدوار کننده ترین گزینه های سرمایه گذاری در دسترس امروز برای سرمایه گذاران ، به رسمیت شناخته شده است. اگرچه این بخش مالی با سرعت زیادی در حال رشد است ، اما با نوسانات قابل توجه و تغییرات قابل توجه قیمت در طی یک سال واحد نیز مشخص می شود. پیش بینی قیمت های رمزنگاری اغلب به عنوان یکی از چالش برانگیزترین پیش بینی های سری زمانی در نظر گرفته می شود [2،3،4] ، بیشتر به دلیل نوسانات قابل توجه قیمت و تعداد عظیمی از عناصر تحریک کننده غیرقابل پیش بینی. این چالش ها ناشی از وابستگی های زمانی پیچیده ذاتی در تعداد قابل توجهی از عوامل غیرقابل پیش بینی درگیر است.

blockchain (قبل از میلاد) ، فناوری پشت ارز رمزنگاری ، به طور گسترده ای در تأمین ستون فقرات افزایش امنیت و حفظ حریم خصوصی در هوش مصنوعی (AI) در طیف گسترده ای از بخش ها ، از جمله اکوسیستم اینترنت اشیاء (IOT) اساسی است. BC Technology دارای چندین مؤلفه در کل شبکه جهانی سیستم های رایانه ای ، به ویژه ضبط دیجیتالی معاملات آن است [5،6]. یک معامله و یک بلوک دو مؤلفه اساسی قبل از میلاد ، در این ترتیب دقیق هستند. نویسندگان [7] نشان دادند كه با توجه به نرخ ارز در سراسر ارزهای رمزنگاری شده در طول زمان ، تأثیر شبکه ها بر رقابت در بین بازار رمزنگاری در حال توسعه به دو عامل بستگی دارد: (1) رقابت بین بسیاری از ارزهای مختلف و (2) رقابت در میان بینمبادلات بی شماری [8]. نویسندگان [9] از رقابت بین ارزهای رمزپایه به عنوان "یک چیز مثبت" یاد می کنند و با استفاده از عبارت "رقابت سالم" آن را توصیف می کنند. آنها همچنین استدلال می کنند که نوآوری های فناوری و امنیتی مهم است. به گفته نویسندگان [10] ، بیت کوین انتقال شوک نوسانات را نشان می دهد ، اما عدم اطمینان از سیاست های اقتصادی هیچ تاثیری در انتقال شوک ها ندارد. بیت کوین ، که گاهی اوقات به عنوان cryptocurrency گفته می شود ، نوعی ارز دیجیتال یا مجازی است که در چندین سیستم مالی مورد استفاده قرار می گیرد [11]. از رمزگذاری محافظت می شود ، که مانع از کپی یا استفاده مجدد آن می شود و تضمین می کند که نمی توان آن را جعلی کرد. این واقعیت که توسط یک اداره مرکزی یا بانک مرکزی صادر نمی شود. اینگونه است که با ارزهای سنتی متفاوت است. در عوض ، بر خلاف ارزهای سنتی ، این یک ارز مجازی غیر متمرکز است که می توان با استفاده از پروتکل های رمزنگاری رد و بدل کرد [12]. سایر خصوصیات شامل تولید آن از طریق BC Technology [13] است که فوق العاده پیچیده است و تلاش می کند داده ها را به گونه ای ذخیره کند که به روزرسانی ، تقلب یا هک کردن سیستم دشوار باشد - اگر غیرممکن نیست -. بیت کوین شروع به حک کردن فضایی برای خود کرده است ، که بسته به نحوه توسعه آن ، ممکن است به سایر ارزهای رمزنگاری شده در تلاش خود برای دستیابی به شناخت گسترده کمک کند یا نقش مهمی در از بین بردن ارزهای رمزنگاری به عنوان یک کل داشته باشد. در مراحل ابتدایی ، پیش بینی ارزهای رمزنگاری غیرممکن بود ، به ویژه اینکه آیا آنها در آینده نزدیک به سمت استفاده گسترده در بازارهای جهانی پیش می روند [14].

نویسندگان [15] روشهای تعامل داده های بزرگ و ارزهای رمزنگاری شده را بررسی کردند. از آنجا که بازار cryptocurrency یکی از جذاب ترین برای گمانه زنی های مالی است ، شیوه های تجاری فریبنده به طور فزاینده ای در سیستم عامل های رسانه های اجتماعی از جمله فیس بوک رواج یافته است. بسیاری از افراد با حدس و گمان در مورد بازارهای دیجیتال ، مقادیر قابل توجهی پول کسب کرده اند ، اما هر سرمایه گذاری با تعدادی از خطرات پنهان همراه است ، به همین دلیل برخی از سرمایه گذاران - به ویژه کسانی که تحمل ریسک بالایی دارند - به بیت کوین و سایر ارزهای رمزنگاری علاقه مند هستند. به همین دلیل ، معامله گران و سرمایه گذاران اعتماد خود را به پیش بینی ها نشان می دهند [16،17].

یادگیری ماشین (ML) و الگوریتم های AI جذاب هستند [18] ، حتی اگر قدرت پیش بینی آنها بسته به سکه متفاوت باشد ، جایی که ارزهای با کمالیت کمتری نسبت به گونه های با فشار بالا درجه بالاتری دارند. تحقیقات نشان داده است که سودمندی مجموعه های مختلف اطلاعات در هنگام استفاده از گروهی از الگوریتم ها ، بین الگوریتم های ML متفاوت است. در نتیجه ، پیش بینی احتمالاً به طور قابل ملاحظه ای چالش برانگیز است [19].

هزاران ارز رمزنگاری مختلف ممکن است در مبادلات دیجیتال معامله شود ، اما بیت کوین همچنان مورد استفاده گسترده است. این تحت تأثیر و تعامل با متغیرهای خارجی ، از جمله اخبار ، رسانه های اجتماعی و ارزهای جزئی با سهم بازار پایین ، که اغلب هنگام تلاش برای برآورد آینده بازار رمزنگاری ، توسط سرمایه گذاران و بازرگانان مورد توجه قرار نمی گیرند. بیت کوین همچنین تحت تأثیر تأثیرات داخلی مانند شبکه بیت کوین قرار دارد. با توجه به پیوندهای نزدیک بین ارزهای رمزپایه ، کوچکتر به منبع شوک تبدیل شده اند که ممکن است یا تأثیر منفی یا منفی بر عملکرد سایر ارزهای رمزنگاری داشته باشد. همانطور که توسط نویسندگان نشان داده شده است [20] ، ارز مستقل طلا ممکن است به عنوان یک استراتژی موثر برای محافظت در جهت کاهش خطرات مرتبط با حرکات غیر منتظره در بازار cryptocurrency از آن استفاده شود. با این حال ، به دلیل نوسانات و پویایی ارزش های رمزنگاری ، پیش بینی حرکت آنها غیرممکن است. صدها ارز رمزنگاری شده در سراسر جهان وجود دارد و ممکن است مشتریان از هر یک از آنها انتخاب کنند.

یکی از بحث برانگیزترین و گیج کننده ترین روندهای اقتصاد جهانی طی 10 سال گذشته ، ظهور شهاب سنگ ارزهای رمزنگاری شده مانند بیت کوین بوده است. سرمایه گذاران به دلیل نوسانات قیمت مکرر و غیرقابل پیش بینی خود نسبت به ارزهای رمزنگاری ، علاوه بر این واقعیت که اکثر کشورهای در حال توسعه و کاربران این ارز هنوز هم از نقض لازم برای نظارت کافی در معاملات رمزنگاری برخوردار نیستند ، نسبت به ارزهای رمزنگاری شده اند. هدف سرمایه داران و انواع دیگر سرمایه گذاران ، حداکثر رساندن بازده آنها با کمترین تلاش و در کمترین زمان ممکن است. بنابراین ، آنها به دنبال پرسود ترین و امن ترین شرکت هایی هستند که می توانند پیدا کنند. بنابراین ، برای دانشگاهیان ، کارشناسان مالی ، سرمایه گذاران و بازرگانان کاملاً ضروری است که بتوانند چگونگی پیش بینی قابل اعتماد ارزش آینده محصولات رمزنگاری را تعیین کنند.

در این تحقیق ، ما با استفاده از یک مدل یادگیری عمیق و عمیق ، چالش پیش بینی قیمت cryptocurrency را در نظر می گیریم. از روشهای واحد مکرر (GRU) و چند لایه Perceptron (MLP) در مدل پیشنهادی برای تولید پیش بینی قیمت دقیق استفاده می شود. در یافته های گزارش شده از شبیه سازی روش پیشنهادی ، مقادیر میانگین خطای مربع (MSE) ، خطای میانگین مربع ریشه (RMSE) ، همبستگی پیرسون (R) و R-Squared (R2) ارائه شده و با آن مقایسه می شوندسایر رویکردهای مشابهسرانجام ، شواهدی ارائه شده است تا نشان دهد که رویکرد توصیه شده نسبت به گزینه های مورد نظر برتر است.در این مقاله از داده های بیت کوین ، محبوب ترین cryptocurrency ، برای پیش بینی قیمت های آینده با استفاده از الگوریتم ها و تکنیک های مختلف هوش مصنوعی برای دستیابی به نتایج زیر استفاده می شود:

اتخاذ الگوریتم های AI ، مانند مدل های GRU و MLP ، برای پیش بینی قیمت بیت کوین به طور قابل اعتماد.

این مدل ها پیامدهای قابل توجهی برای سرمایه گذاران دارند ، که می توانند از آنها برای انجام پیش بینی های قابل اعتماد ، دقیق و بالقوه صحیح از قیمت بیت کوین استفاده کنند.

بهبود رویکردهای جدید برای افزایش دقت پیش بینی های ما در مقایسه با آنچه در تحقیقات قبلی یافت شد.

ارائه یک تکنیک قابل اعتماد برای پیش بینی قیمت های آینده بیت کوین با استفاده از داده های تاریخ cryptocurrency

در این مقاله به سؤالات تحقیق زیر می پردازد: "به چه روشهایی می تواند الگوریتم های هوش مصنوعی به سرمایه گذاران و تصمیم گیرندگان در پیش بینی قیمت بیت کوین کمک کنند؟"و "بهترین مدل برای پیش بینی ارزشهای بیت کوین آینده چیست؟"

2. مطالعه زمینه

در مورد تجزیه و تحلیل سری زمانی ، تجزیه و تحلیل قیمت بیت کوین و پیش بینی بسیار پیچیده و همچنین ابزارهای بسیار خواستار است. با توجه به تغییرات اساسی در نوسانات سری زمانی بیت کوین ، که به طور قابل توجهی تحت تأثیر تعداد زیادی از متغیرها قرار می گیرند ، درک و دستکاری بیت کوین یک فرایند پیچیده است. همانطور که در ادبیات ثبت شده است ، چندین تحقیق اخیر از رویکردهای یادگیری عمیق برای پیش بینی قیمت بیت کوین و حرکت جهت دار آنها برای افزایش دقت پیش بینی پذیرفته و به کار رفته است. برخی از اکتشافات جذاب و پیامدهای عملی به طور خلاصه در زیر آورده شده است.

Derbentsev و همکاران با استفاده از مدلهای مختلف پیش بینی پیشرفته.[20] در صدد تخمین پویایی کوتاه مدت سه ارز رمزنگاری شد که در زمان ایجاد آنها بیشترین سرمایه گذاری را داشتند: بیت کوین (BTC) ، اتر (و غیره یا اتریوم) و XRC (Ripple). علاوه بر این ، آنها دقت پیش آگهی چندین مدل ، از جمله شبکه های عصبی مصنوعی (ANNS) ، جنگل های تصادفی (RFS) ، مدل درختی باینری خودروگرایی (BART) و ترکیب آنها را ارزیابی کردند. از 1 اوت 2015 تا 1 دسامبر 2019 ، 1583 قیمت روزانه بیت کوین با استفاده از این داده ها جمع آوری شد. یافته های آزمون محققان نشان داد که مدل های ANN و BART هنگام پیش بینی حرکت جهت گیری ، 63 ٪ از دقت متوسط برخوردار هستند ، که بسیار بیشتر از دقت مدل "ساده لوح" 58 ٪ بود.

از طرف دیگر ، Chowdhury و همکاران.[21] از مدل های پیش بینی پیشرفته ML برای شاخص و مؤلفه های ارزهای رمزنگاری شده برای پیش بینی قیمت های آینده شاخص و ترکیبات آن استفاده کرد. آنها برای کمک به معامله گران Cryptocurrency ، آنها به دنبال پیش بینی ارزش نهایی شاخص CCI30 و همچنین 9 ارز رمزنگاری عمده بودند. آنها از چندین مدل متنوع ML در تحقیقات خود استفاده کردند ، از جمله درختان شیب دار ، ANN ، مدل های همسایه K-Nearest ، مدل های یادگیری گروه های قوی و سایر موارد. بسته شدن قیمت از 1 ژانویه 2017 تا 31 ژانویه 2019 به عنوان داده استفاده شد. در میان این مدل های پیشرفته ، مدل های گروهی و درختان شیب دار ، دقیق ترین پیش بینی ها را ارائه می دهند ، با اجراهای قابل مقایسه با یا حتی بهتر از چندین مدل قبلاً ارائه شده.

پینتلاس و همکاران.[22] یک مطالعه جذاب را برای ارزیابی مدل های پیشرفته یادگیری عمیق برای پیش بینی قیمت های رمزنگاری و حرکات قیمت انجام داد. تحقیقات آنها نشان داد که الگوریتم های یادگیری عمیق در مورد پیش بینی های دقیق محدودیت های قابل توجهی دارند. براساس یافته های تجربی خود ، نویسندگان نتیجه گرفتند که تکنیک های پیشرفته تر الگوریتمی برای ساخت مدلهای رمزنگاری کارآمد و قابل اعتماد برای دستیابی به قابلیت اطمینان بیشتر مورد نیاز است. کار مشابه توسط لیوییریس و همکاران انجام شد.[23] ، که بررسی کرد که آیا سه فرآیند گروهی که معمولاً استفاده می شود از میانگین ، کیسه و انباشت می تواند عملکرد پیش بینی و قابلیت اطمینان مدل های یادگیری عمیق را بهبود بخشد. از ابتدای سال 2018 تا پایان سال 2019 ، نویسندگان قیمت های ساعتی BTC ، ETH و XRC را تجزیه و تحلیل کردند. علاوه بر این ، آنها یک ارزیابی جامع از بسیاری از مدل های گروه را با استفاده از زبان آموزان مختلف حافظه کوتاه مدت و بلند مدت (LSTM) به عنوان پایه و اساس خود انجام دادند. علیرغم افزایش قابل توجه در پیچیدگی پردازش ، تحقیقات آنها نشان داد که یادگیری عمیق و گروه ممکن است برای ایجاد مدلهای پیش بینی بیت کوین قوی و قابل اعتماد مفید باشد.

به گفته پاتل و همکاران.[24] ، یک رویکرد پیش بینی رمزنگاری ترکیبی ، با تأکید ویژه بر روی cryptocurraces cryptocoin و monero تأکید شده است. مدل پیشنهادی با یک معماری مکرر شبکه عصبی (RNN) ساخته شده است و برای تحقق اهداف مدل ، از لایه های LSTM و GRU استفاده می کند. داده های روزانه Litecoin از 24 اوت 2016 تا 23 فوریه 2020 و همچنین داده های روزانه Monero از 30 ژانویه 2015 تا 23 فوریه 2020 در این تجزیه و تحلیل استفاده شد. داده ها شامل اطلاعات مربوط به متوسط قیمت ، قیمت های باز و بسته شدن ، قیمت های بالا و پایین ، حجم معاملات و سایر عوامل برای Litecoin و Monero بود.

هوش مصنوعی چندین زیرمجموعه را ایجاد کرده است که یکی از آنها ML است که می تواند با نگاه به داده های موجود و گذشته ، آینده را پیش بینی کند. مدل های پیش بینی مبتنی بر مدل مزایای بی شماری نسبت به سایر مدلهای پیش بینی دارند ، زیرا تحقیقات قبلی نشان داده است که آنها نه تنها نتیجه ای را تولید می کنند که نزدیک یا دقیقاً مشابه نتایج واقعی هستند بلکه دقت و دقت را نیز بهبود می بخشند. در نتیجه این مزایا ، پیش بینی مبتنی بر مدل مزایای متنوعی نسبت به انواع دیگر تکنیک های پیش بینی دارد. شبکه های عصبی (NNS) ، دستگاه های بردار پشتیبانی (SVM) و یادگیری عمیق چند نمونه از چندین نوع روش ML هستند که همه آنها گزینه های قابل دوام هستند. نویسندگان نشان دادند كه از جمله ارزهای رمزنگاری شده در یك سبد كارآیی آن را به دو روش جداگانه افزایش می دهد. مورد اول با پایین آوردن انحراف استاندارد است و دوم با ارائه گزینه های دیگر برای سرمایه گذاران با تنوع بیشتر دارایی. توصیه شده است که بسته به تحمل ریسک سرمایه گذار ، تخصیص بهینه برای ارزهای رمزنگاری شده در هر جایی بین 5 تا 20 درصد قرار داشته باشد. به گفته نویسندگان ، دو تکنیک ML-RFS و دستگاه های تقویت شیب تصادفی (SGBMS) برای پیش بینی داده های سری زمانی به کار رفته است. [25،26]. بر اساس یافته های آنها ، به نظر می رسد که از رویکرد گروه ML ممکن است برای پیش بینی قیمت بیت کوین استفاده شود. تصمیم گیری مناسب در زمان مناسب ، که از طریق برنامه ریزی دقیق حاصل می شود ، برای کاهش خطرات مرتبط با فرایند سرمایه گذاری بسیار مهم است.

علاوه بر این ، مک نالی و همکاران.[27] بررسی کرد که چگونه با اطمینان می توان جهت قیمت بیت کوین را به دلار آمریکا (USD) اندازه گیری کرد. از تکنیک های متعدد NN در این تحقیق استفاده شد ، از جمله RNN ها ، شبکه های LSTM و تکنیک میانگین متحرک یکپارچه خودجوش (ARIMA). شبکه LSTM از دیگر شبکه های ارزیابی شده از نظر دقت طبقه بندی (52 ٪) و میانگین خطای مربع (RMSE ؛ 8 ٪) بهتر عمل می کند. انتظار می رفت که الگوریتم های یادگیری عمیق غیرخطی از رویکرد ARIMA در پیش بینی رفتار یک سیستم در آینده بهتر عمل کنند. پیش بینی قیمت بیت کوین با استفاده از شبکه های عصبی Convolutional (CNN) و RNN های معرفی شده توسط Yogeshwaran و همکاران انجام شد.[28] ، که از داده های جمع آوری شده در فواصل مختلف از پنج دقیقه تا دو ساعت استفاده می کرد. CNN در پیش بینی قیمت بیت کوین میزان عدم دقت حدود 5 ٪ را نشان داد ، اما در هنگام استفاده از RNN حدود 15 ٪ خطاهای بیشتری مشاهده شد. برای پیش بینی قیمت بیت کوین ، دمیر و همکاران.[29] از چندین تکنیک ، از جمله شبکه های LSTM ، Bayes ساده لوح و نزدیکترین رویکرد همسایه استفاده کرد. دقت این تکنیک ها از 81. 2 ٪ تا 97. 2 ٪ متغیر بود. ریزوان ، نارگو و جاوید [30] با استفاده از RNNS و LSTM در بدن کار خود ، دامنه تحقیقات خود را برای گنجاندن روشهای یادگیری عمیق گسترش دادند. تحقیقات آنها نشان داد که LSTM دارای دقت پیش بینی 52 ٪ و RMSE 8 ٪ است ، در حالی که نتایج افزایش شیب شدید (XGBoost) و LSTM برای Linardatos و Kotsiantis یکسان است [31] ، به جز این که دومی مشخص کرد که دومی دومروش RMSE پایین تر از 0. 999 بود. هنگام مقایسه ARIMA با رویکردهای دیگر ، از جمله RFS ، SVM ، LSTM و Wavenet ، برای پیش بینی قیمت های بیت کوین آینده ، Felizardo و همکاران.[32] کشف کرد که آریما نرخ خطای کمتری دارد. روشهای محاسباتی اغلب با احترام بالاتر برگزار می شود.

سرانجام ، Dutta ، Kumar و Basu [33] با ترکیب مدل های LSTM و GRU روشهای یادگیری عمیق جدید را نشان دادند ، جایی که دومی با RMSE 0. 019 بهترین نتیجه خطا را به دست آورد. علاوه بر این ، جی و همکاران.[34] با موفقیت قیمت بیت کوین را با استفاده از روشهای مختلف از جمله شبکه های عصبی عمیق (DNN) ، LSTM و CNN پیش بینی کرد. آنها توانستند 60 ٪ دقت را بدست آورند ، و این اتاق را برای بهبود از طریق استفاده از تکنیک های یادگیری عمیق و ارائه توضیحات دقیق از عوامل کلیدی نشان می دهد. این نویسندگان نه تنها در پیش بینی نتایج آینده بلکه هنگام کار با داده های داخل و خارج از نمونه ، بر ضرورت مدلهای پیش بینی قابل اعتماد تأکید کردند.

وو و همکاران در حالی که سعی در پیش بینی مقادیر بیت کوین داشتند.[35] نه از یک مدل LSTM متفاوت استفاده نکرد ، که یکی از آنها یک مدل اساسی LSTM و دیگری مدل LSTM بود که دارای یک مدل Autoregression (AR) است. یک مطالعه دیگر [36] از LSTM برای پیش بینی قیمت بیت کوین استفاده کرد. هنگام ارائه مقادیر بیت کوین ، داده ها نشان می دهد که مدل LSTM بسیار بهتر از مدل های ML سنتی عمل کرده است. با این وجود ، بسیاری از تحقیقات به سادگی از الگوریتم های عادی ML استفاده شده در پیش بینی قیمت سهام استفاده شده و آنها را در بیت کوین اعمال می کنند. مشکل این رویکرد این است که استفاده از الگوریتم های استاندارد نتواند ویژگی های منحصر به فرد Cryptocurrency را با موفقیت ضبط کند. علاوه بر این ، یک مطالعه دیگر پیش بینی های قیمت بیت کوین را بر اساس ویژگی های متمایز رمزنگاری که آن را از سهام و سهام جدا می کند ، از جمله عناصر زیر ارائه می دهد: نمودار معاملات بیت کوین توسط سایر دانشگاهیان [37] برای پیش بینی قیمت بیت کوین استفاده شده است ، اما به این دلیل است که به این دلیل استفاده شده است. هر معامله بیت کوین در یک دفترچه عمومی ذخیره می شود که هرکسی که دسترسی به اینترنت دارد می تواند مشاهده کند ، توسعه دهندگان توانسته اند با تجزیه و تحلیل شناسه معامله ، فرستنده ، گیرنده ، ارزش و Timestamp ، نرم افزاری را ایجاد کنند که بتوانند قیمت بیت کوین را به طور دقیق پیش بینی کنند ، که در هر یک از آنها گنجانده شده است. معامله بیت کوین. نویسندگان [38] یک روش پیشرفته برای پیش بینی قیمت های بیت کوین در آینده با استفاده از لبه هایی که اغلب در شبکه معامله ظاهر می شوند ، تهیه کردند. Katsiampa ، P [39] مدل های GRACH را برای پیش بینی قیمت بیت کوین مقایسه کرد و مشاهده می شود که مدل AR-CGARCH مدل مناسبی برای پیش بینی قیمت بیت کوین است

3. روش شناسی

در حال حاضر ، بسیاری از افراد به بیت کوین علاقه مند هستند ، از زمان آن و سایر ارزهای رمزنگاری شده به عنوان وسایل نقلیه سرمایه گذاری محبوب. در نتیجه ، تعداد فزاینده ای از سیستم عامل های جدید برای اسکان این دارایی ها در حال توسعه هستند. ارتباط مقالات تحقیقاتی در مورد پیش بینی قیمت بیت کوین با سودآوری رمزنگاری و پشتیبانی مداوم از پلتفرم آن نشان داده شده است. با این حال ، بخش عمده ای از تحقیقات cryptocurrency کاملاً بر تلاش برای پیش بینی مقادیر رمزنگاری متمرکز شده است. مصرف کنندگان به عنوان یک نتیجه مستقیم از لزوم انجام سریع قضاوت های سخت در مورد فعالیت هایی که باعث افزایش حداکثر سود می شوند ، ناامید می شوند. این باعث می شود مشتریان احساس کنند که وقتشان هدر رفته است - در صورت افزایش قیمت رمزنگاری ، باید دارایی های بیت کوین خود را نقدینگی کنند و هر زمان که کاهش یابد باید بیت کوین را خریداری کنند. علاوه بر این ، عملکرد این مدل های یادگیری عمیق هنوز کم است ، و تحقیقات کمی بررسی کرده است که چگونه ممکن است از این مدل ها برای ارائه توصیه هایی برای انواع فعالیت های فوق استفاده شود. به عنوان یک راه حل برای این مشکلات ، مطالعه اینجا یک مدل یادگیری عمیق با برخی از ویژگی های ورودی نوآورانه ارائه می دهد.

همانطور که در شکل 1 مشاهده می شود ، رویکردی که توصیه شده است شکل یک برنامه اصلی را به خود می گیرد. نتیجه رویکرد توصیه شده با استفاده از داده های تاریخی در مورد قیمت بیت کوین محاسبه می شود.

3. 1مجموعه داده

داده های تولید شده بین 1 ژانویه 2021 و 16 ژوئن 2022 به عنوان نمونه ای از ساعت بازار (https://www. marketwatch. com (دسترسی به 20 ژوئیه 2022)) جمع آوری شد. در این مطالعه ، متغیر وابسته قیمت بیت کوین است که از نظر مقدار USD یک بیت کوین محاسبه می شود.

3. 2عادی سازی

عادی سازی حداقل max یکی از روشهای متداول برای عادی سازی داده ها است. کمترین مقدار به 0 تبدیل می شود ، بیشترین مقدار به 1 تبدیل می شود و تمام مقادیر دیگر برای هر ویژگی به اعشاری بین 0 تا 1 تغییر می یابد:

z n = x - x m i n x m a x - x m i n (n e w m a x x - n e w m i n x) + n e w m i n x

جایی که x_حداکثرحداکثر مقدار 1 و x است_حداقلحداقل مقدار 0 است و جایی که بالاترین مقدار 1 است ، کمترین مقدار 0 و x است_حداکثرو x_حداقلبه ترتیب حداکثر و حداقل مقادیر هستند. کمترین تعداد توسط New مشخص شده است_حداقلxو بیشترین تعداد توسط جدید_{حداکثرx}بشرشکل 2 عملکرد روش عادی سازی حداقل - حداکثر برای عادی سازی داده ها را نشان می دهد.

3. 3مدل های پیش بینی

در این بخش مدل ریاضی مدلهای GRU و MLP ، که برای انجام تحقیقات استفاده می شود ، توضیح می دهد.

3. 3. 1. واحد مکرر دروازه (GRU)

نوع دیگری از RNN که می تواند مسئله شیب ناپدید شدن را حل کند ، GRU نامیده می شود. شکل 3 نشان می دهد که GRU ، که برای اولین بار توسط [40،41،42،43] شرح داده شده است ، مشابه LSTM است اما دارای دروازه های کمتری است: یکی از آن به عنوان دروازه بروزرسانی و دیگری به عنوان دروازه تنظیم مجدد گفته می شود. حرکت داده ها و اطلاعات در سراسر شبکه تحت کنترل ترکیبی این دو دروازه قرار دارد. دروازه بروزرسانی وظیفه تعیین مقدار داده های گذشته را که باید برای ادامه کار منتقل شود ، وظیفه دارد ، در حالی که مقدار اطلاعاتی که فراموش می شود توسط دروازه تنظیم مجدد تعیین می شود. معادلات زیر خلاصه ای از GRU را ارائه می دهد:

μ t = σ (v μ x t + w μ o t - 1 + b μ) r t = σ (v r x t + w r o t - 1 + b μ) i t = t a n h (v o x t + w o (r t ⊙ o t - 1) + b 0) o t = σ (μ t ⊙ o t - 1 (1 - μ t) ⊙ i t)

جایی که x t ورودی را نشان می دهد. o t خروجی ؛μ t خروجی دروازه بروزرسانی ؛R T بازنشانی دروازه ؛product محصول Hadamard ؛و V ، W و B پارامترها یا ماتریس های وزن.

3. 3. 2. Perceptron چند لایه (MLP)

اولین قدم در استفاده از NNS برای مدل سازی پیش بینی ، شناسایی نوع NN برای استفاده و نوع طراحی شبکه برای استفاده است. MLP ها مقاوم ترین و منحصر به فرد ترین شکل NN هستند که در این تحقیق در نظر گرفته شده است ، و از یک روش انتشار عقب مانده برای آموزش MLP NN استفاده می شود. پس از آن ، خطاها از طریق شبکه حرکت می کنند و با لایه های پنهان آن سازگار می شوند. بنابراین ، ANN با استفاده از یادگیری تصحیح خطا (که برای آن باید پاسخ های سیستم واقعی شناخته شود) آموزش دیده است. وزن ها با استفاده از میانگین به روزرسانی وزنه ها (یادگیری دسته ای) تغییر می کنند ، که با درج تمام الگوهای موجود در پرونده ورودی (یک دوره) تعیین می شود و کلیه اصلاحات وزن را جمع می کند. علاوه بر این ، معیار توقف لازم است. حتی اگر گزینه های دیگری نیز وجود داشته باشد ، مانند حداکثر تعداد تکرارها یا آستانه ای برای میانگین خطای مربع (MSE) ، اعتبارسنجی متقاطع بیشترین روش است. با استفاده از این استراتژی ، توصیه می شود پس از انجام بهترین تعمیم ، آموزش را خاتمه دهید. برای ارزیابی شبکه آموزش دیده ، تنها از بخش کوچکی از داده های آموزش استفاده می شود [44،45،46،47،48]. به عبارت دیگر ، اگر عملکرد شبکه ، اندازه گیری شده توسط MSE ، شروع به کاهش یا راکد کند ، باید آموزش متوقف شود.

ξ = ∑ i = 1 n w i x i - b = w t x - b y = σ (ξ) σ (ξ) = 1 1 + E - (ξ)

جایی که x i تعداد ورودی I TH است ، من وزن پیوند از ورودی I TH است ، W = (W 1 ... W N) T کل وزن است ، و X I تعداد ورودی I TH است (x 1 ... x n). آستانه یا تعصب توسط حرف B مشخص می شود ، در حالی که حرف N تعداد کل ورودی ها را نشان می دهد. کار عملکرد فعال سازی S (x) به طور معمول انتقال اعداد واقعی به بازه است و این می تواند توسط یک عملکرد مداوم یا ناپیوسته انجام شود. همچنین می توان از عملکرد فعال سازی سیگموئید و بیان آن با استفاده از معادله (8) استفاده کرد. شکل 4 معماری مدل MLP را نشان می دهد و جدول 1 پارامترهای آن را نشان می دهد.

ضروری است که داده ها قبل از تغذیه در یک مدل نرمال شوند. از عادی سازی حداقل حداکثر برای مقیاس بندی داده ها قبل از بدست آوردن مقادیر پیش بینی استفاده می شود. مدل های طبقه بندی کننده MLP حداقل به دو لایه نیاز دارند. داده های بیت کوین در وضعیت مناسبی قرار دارد که در نوعی مدل MLP قرار گیرد. به منظور سادگی ، ما از دو لایه استفاده خواهیم کرد که 20 گره در هر یک از لایه های اول و دوم پنهان است. تنها خروجی پیش بینی قیمت بیت کوین خواهد بود و حداکثر تعداد تکرارها 100 خواهد بود ، در حالی که حداکثر تعداد دوره ها 70 خواهد بود. هنگام ارزیابی مدل با متریک MSE ، اگر پیش بینی دقیق نباشد ، اینهاپارامترها را می توان اصلاح کرد.