پیش بینی قیمت بیت کوین بر اساس دستکاری استراتژی توزیع

از آنجا که بیت کوین محبوب ترین ارز دیجیتال در بازار جهانی مالی بوده است ، پیش بینی قیمت آن حوزه مهمی در امور مالی بوده است. اخیراً ، تحقیقات بیشماری در مورد پیش بینی شاخص های مالی از جمله بیت کوین بر اساس تکنیک های یادگیری ماشین انجام شده است. با این حال ، مطالعات اندک به استراتژی دستکاری توزیع اصلی برای به دست آوردن عملکردهای بهتر توجه می کند. از آنجا که داده های بازگشت قیمت بیت کوین بسیار نزدیک به صفر است ، تغییرات کوچک مقادیر در اجزای می تواند نتایج متفاوتی ایجاد کند. بر اساس این ویژگی ، ما استراتژی توزیع مسطح (FDS) را بر اساس تئوری کوپلا به عنوان یک استراتژی برای توزیع دستکاری قطعات به طور مصنوعی برای بهبود پیش بینی بازده قیمت بیت کوین پیشنهاد می کنیم. ما Perceptron چند لایه (MLP) ، شبکه های عصبی مکرر (RNN) و حافظه کوتاه مدت طولانی (LSTM) را برای ارزیابی عملکرد FDS در نظر می گیریم. سرانجام ، ما می دانیم که الگوریتم های پیشنهادی مبتنی بر FDS دقت پیش بینی بازگشت قیمت بیت کوین را برای هر یک از سه معماری بهبود می بخشد.

معرفی

به خوبی شناخته شده است که بازارهای مالی از ویژگی های سیستم های پیچیده برخوردار هستند زیرا عناصر متقابل متعددی در بازارها و ویژگی های غیرخطی وجود دارد. برای درک ویژگی های بازار و تجزیه و تحلیل آن ، مطالعات زیادی با داده های سری زمانی مالی انجام شده است. در میان آنها ، پیش بینی داده های مالی محبوب ترین موضوع است زیرا برای سرمایه گذاران واقعی بسیار کاربردی است و برای تجزیه و تحلیل بازار مالی مفید است. با این حال ، این یک مشکل دشوار به دلیل تأثیرات مختلف مانند محیط اقتصادی ، سیاست سیاسی ، اطلاعات نامتقارن و ناقص و عوامل طبیعی است. به منظور بهبود پیش بینی سری زمانی مالی با ماهیت و پیچیدگی غیرخطی ، از تکنیک های یادگیری ماشین در سالهای اخیر بسیار مورد استفاده قرار گرفته است. این مقاله همچنین به توسعه پیش بینی سری زمانی بر اساس تکنیک های یادگیری ماشین می پردازد. به طور خاص ، ما با داده های بیت کوین به عنوان سری زمانی مالی سر و کار داریم. یعنی هدف این مقاله ارائه مدل جدیدی برای پیش بینی بهتر قیمت بیت کوین است.

بیت کوین معرفی شده توسط ناکاموتو [1] مورد توجه سرمایه گذاران و محققان قرار می گیرد و به محبوب ترین و ارزشمندترین رمزنگاری در بازار مالی تبدیل می شود. به گفته ایوامورا و همکاران.[2] و Yermack [3] ، بیت کوین دارای نوسانات بالایی است. به طور کلی ، نوسانات بالای یک سرمایه گذاری به معنای بازده بالقوه بالاتر است. بنابراین ، بیت کوین اغلب به عنوان یک سرمایه گذاری سوداگرانه مورد استفاده قرار می گیرد و محبوبیت آن به طور مداوم به عنوان یک وسیله نقلیه سرمایه گذاری در حال افزایش است [4]. از آنجا که همه سرمایه گذاران می خواهند بازده بالایی داشته باشند و پیش بینی دقیق به آنها کمک می کند ، پیش بینی دقیق تر بیت کوین برای سرمایه گذاران بسیار مهم است. به این معنا ، پیش بینی بیت کوین توسط بسیاری از محققان مورد مطالعه قرار گرفته است. صحت پیش بینی با رویکردهای مختلف در بررسی ادبیات بخش بعدی بهبود یافته است. به طور خاص ، مدل های مبتنی بر تکنیک های یادگیری ماشین به طور گسترده ای برای ضبط ویژگی های غیرخطی در نظر گرفته شده است. با این حال ، با وجود تکنیک یادگیری ماشین با استفاده از استراتژی برای دستکاری در توزیع ، یک رویکرد مناسب برای پیش بینی سری زمانی مالی است ، اما این رویکرد هنوز برای پیش بینی بیت کوین در نظر گرفته نشده است. با انگیزه در این مورد ، ما با ترکیب الگوریتم های یادگیری ماشین موجود و استراتژی توزیع مسطح (FDS) بر اساس تئوری کوپلا ، یک رویکرد جدید را پیشنهاد می کنیم. FDS یک رویکرد مبتنی بر تبدیل توزیع داده های خام به توزیع یکنواخت است. به دلیل خاصیت توزیع یکنواخت ، تفاوت معنی داری بین افراد خارج از کشور و افراد غیرمجاز وجود ندارد. یعنی می توان ادعا کرد که FDS مربوط به آثاری است که با صداها و عدم قطعیت ها در داده های واقعی سروکار دارد [5] ، [6] ، [7] ، [8].

این مقاله به شرح زیر سازماندهی شده است. بخش 2 ادبیات مربوط به مطالعات بیت کوین و پیش بینی سری زمانی مالی را بر اساس تکنیک های یادگیری ماشین بررسی می کند. بخش 3 روشهای مورد استفاده در این مقاله را ارائه می دهد. بخش 4 داده های مورد استفاده برای این کار را توصیف می کند و الگوریتم های جدید ما را بر اساس MLP ، RNN و LSTM معرفی می کند. بخش 5 با استفاده از الگوریتم های پیشنهادی نتایج آزمایش را با چندین شکل و جداول ارائه می دهد. بخش 6 مقاله را نتیجه می گیرد.

قطعه قطعه

بررسی ادبیات

بسیاری از محققان پیش بینی قیمت سهام یا شاخص های سهام را با استفاده از شبکه های عصبی مصنوعی (ANN) مانند Perceptron چند لایه (MLP) ، شبکه های عصبی مکرر (RNN) ، حافظه کوتاه مدت کوتاه (LSTM) و غیره مورد مطالعه قرار داده اند. ANN ها اغلب برای پیش بینی سری زمانی بورس با شبکه های عصبی انتشار پشت (BPNN) مورد استفاده قرار می گیرند. کارا و همکاران.[9] پیش بینی داده های مالی در بورس سهام استانبول را با استفاده از مدل ANN با ده شاخص فنی بهبود بخشید. وانگ و همکاران.

ساختارهای MLP ، RNN و LSTM

MLP (به عنوان مثال FFNN) هم برای مشکلات طبقه بندی و هم برای پیش بینی های سری زمانی استفاده شده است [14] ، [49]. MLP از مفاهیم تغذیه به جلو و انتشار پشت ، که ساختارهای اساسی آن هستند پشتیبانی می کند. RNN یک مدل پیشرفته از MLP معمولی است که برای پیش بینی سری زمانی مناسب است [50]. LSTM نوعی RNN است که برای حل مسئله شیب ناپدید شدن و واگرا از RNN معمولی پیشنهاد شده است [16]. MLP یکی از محبوب ترین تکنیک ها برای مقابله است

داده ها و الگوریتم

در این مطالعه ، ما سه نوع آزمایش را برای تأیید کاربرد FDS بر اساس MLP ، RNN و LSTM انجام می دهیم. برای آزمایشات ، ما از داده های روزانه بیت کوین برای دوره از 28 آوریل 2013 تا 27 آوریل 2020 استفاده می کنیم و به عنوان مجموعه آموزش و آزمایش به دو مجموعه جدا می شویم. 70 ٪ اول داده ها برای آموزش استفاده می شود و 30 ٪ باقی مانده از داده ها برای آزمایش استفاده می شود. هر مجموعه داده شامل شش نوع داده است (حجم تجارت ، سرمایه بازار و قیمت بیت کوین از نظر باز ،

برپایی

در این زیر بخش ، ما بهینه ساز و اولیه سازی وزن مورد استفاده در این مطالعه را معرفی می کنیم. برای کاهش سریع و پایدار خطا ، Adam Optimizer [58] استفاده می شود ، که ترکیبی از شیب را با حرکت [59] ، میانگین متحرک و RMSProp [60] ترکیب می کند. اولیه سازی وزن یکنواخت در [-0. 1 ، 0. 1] برای هر وزن در معماری انتخاب می شود. برنامه های متداول برای سه مدل پیاده سازی عبارتند از: اندازه مینی دسته (تنظیم 128) ، دوره ها (تنظیم 500) ، نسبت آموزش و

نتیجه

در سالهای اخیر ، پیش بینی قیمت بیت کوین مهمترین کار بوده است زیرا بیت کوین به یکی از محبوب ترین دارایی های سرمایه گذاری در بازار مالی تبدیل شده است. با این حال ، پیش بینی قیمت بیت کوین بسیار دشوار است زیرا تحت تأثیر عوامل بسیاری از قبیل نوسانات بالا ، عرضه بازار و تقاضا ، وضعیت بازار سهام ، نرخ ارز دلار آمریکا و غیره قرار دارد. در این مقاله پیش بینی قیمت بیت کوین بر اساس تکنیک های یادگیری ماشین بررسی شده است. برای پیش بینی ، ما

بیانیه مشارکت در نویسندگی اعتباری

Eunho Koo: روش شناسی ، نرم افزار ، نوشتن - پیش نویس اصلی ، نوشتن - مرور و ویرایش ، تجسم. Geonwoo Kim: مفهوم سازی ، درمان داده ها ، نوشتن - پیش نویس اصلی ، نوشتن - مرور و ویرایش.

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

Geonwoo Kim توسط بنیاد ملی تحقیقات کمک می کند که توسط دولت کره تأمین می شود (شماره کمک مالی NRF-2017R1E1A03070886). Eunho Koo با قدردانی از حمایت بنیاد ملی تحقیقات کره (NRF) که توسط دولت کره تأمین می شود (شماره کمک مالی 2015R1A5A1009350 ، 2020R1A1A0106928111 و 2018R1A2A3074566) قدردانی می کند.