پیش بینی حرکت میانی قیمت آتی بیت کوین با استفاده از یادگیری ماشین

این مقاله از طریق زیر مجموعه دسترسی PMC برای استفاده مجدد بدون محدودیت و تجزیه و تحلیل ثانویه به هر شکلی یا به هر وسیله با تأیید منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.

خلاصه

در پی بحران مالی جهانی و همه گیر COVID-19 ، سرمایه گذاران در درک پویایی قیمت در دارایی ها با چالش هایی روبرو هستند. در این مقاله به بررسی عملکرد انواع مختلف الگوریتم های یادگیری ماشین (MLA) برای پیش بینی حرکت قیمت میانی برای قیمت های آتی بیت کوین می پردازیم. ما برای ارزیابی عملکردهای پیش بینی نسبی در فرکانس های مختلف زمانی ، از داده های داخلی با فرکانس بالا استفاده می کنیم ، بین 5 تا 60 دقیقه. یافته های ما نشان می دهد که میانگین دقت طبقه بندی برای پنج از شش MLA به طور مداوم بالاتر از آستانه 50 ٪ است ، نشان می دهد که MLA از مدل های معیار بهتر مانند Arima و پیاده روی تصادفی در پیش بینی قیمت های آتی بیت کوین. این اهمیت و اهمیت MLA ها را برای تولید پیش بینی های دقیق برای قیمت های آتی بیت کوین در طول آشفتگی Covid-19 برجسته می کند.

واژه های کلیدی: رمزنگاری ، آینده بیت کوین ، یادگیری ماشین ، Covid-19 ، همسایگان K-Nearest ، رگرسیون لجستیک ، خلیج های ساده لوح ، جنگل تصادفی ، دستگاه بردار پشتیبانی ، افزایش شیب شدید

معرفی

در این تحقیق ، ما از داده های قیمت گذاری بیت کوین با فرکانس بالا به همراه الگوریتم های یادگیری ماشین استفاده می کنیم تا پیش بینی حرکت قیمت میانی برای سری قیمت های آتی بیت کوین را در انواع فرکانس های مختلف ، بین 5 تا 60 دقیقه پیش بینی کنیم. تازگی تحقیقات ما استفاده از همه سری های آینده بیت کوین موجود از بورس کالای شیکاگو (CME) را احاطه کرده است. CME این محصول را به عنوان مکانیسمی برای محافظت در معرض بیت کوین ارائه داده بود یا عملکرد خود را با آینده و گزینه های مربوط به معاملات آتی انجام می داد ، که هر دو از زمان معرفی خود ، رشد فوق العاده ای دارند (Akyildirim et al. 2020 ؛ Corbet et al. 2018a ، b). در حالی که نقدینگی برای برخی از آینده های طولانی مدت مانند آن 6 ماه و 7 ماهه در آینده مسئله قابل توجهی است ، پس از چندین آزمایش مشخصات ، ما نتایج را بر اساس اولین محصولات آینده 5 ماهه ارائه می دهیم. 1 این قرارداد از نظر اندازه بسیار قابل توجهی است ، که نشان دهنده مالکیت 5 بیت کوین است ، همانطور که توسط نرخ مرجع Bitcoin CME CF (BRR) تعریف شده است ، به نقل از دلار ایالات متحده و سنت در هر بیت کوین. این قرار گرفتن در معرض بیت کوین بر اساس نرخ اهرم 43 ٪ است ، بنابراین هزینه سرمایه گذاری زیر ارزش چهره 5 BTC است. حداقل نوسان قیمت 5. 00 دلار برای هر بیت کوین است ، که در آن گسترش تقویم 1. 00 دلار برای هر بیت کوین است. قراردادهای ماهانه برای شش ماه متوالی و دو ماه قرارداد دیگر در ماه دسامبر ذکر شده است. 2

تصمیم CME برای ارائه آینده بیت کوین در 10 دسامبر 2017 به عنوان یک نقطه عطف مهم در توسعه چنین محصول مالی نسبتاً جوان تلقی شد ، جایی که تا این لحظه ، چند مبادله اصلی ، زیربنای چنین شهرت و تجربه تاریخی پاسخ های مشابهی را در نظر گرفته بودوادراه اندازی Futures CME Bitcoin به عنوان اولین قدم در مسیر جدید رمزنگاری به سمت مشروعیت تلقی شد ، به این امید که سرمایه گذاران نهادی را که تا اواخر سال 2017 بوده اند ، جلب نکرده اند و مایل به ورود به بازار برای موضوعات مختلف نبوده اند. در اواخر سال 2020 ، Futures CME بیش از 1 میلیارد دلار با علاقه آزاد برخوردار بود و این نشان دهنده رشد قابل توجه بازار در مدت زمان بسیار کمی است. استفاده از قیمت گذاری تسویه حساب از منابع متعدد در ابتدا به عنوان یک ویژگی مفید قوی ، به ویژه با بسیاری از مشکلات مربوط به جنایی سایبری و رفتارهای غیرقانونی در مبادلات و مستقیماً از طریق توسعه و ایجاد محصول شناخته شد.

ما با ارزیابی کاربرد قیمت های آتی بیت کوین با فرکانس بالا با استفاده از شش الگوریتم یادگیری ماشین در هنگام شیوع COVID-19 به ادبیات کمک می کنیم. ما سعی می کنیم حرکت میانی نقطه قیمت های آتی CME Bitcoin را در چندین محصولات آینده در طی COVID-19 پیش بینی کنیم که در آن از نرخ پیش بینی علامت یا میزان دقت استفاده می کنیم که به عنوان نسبت زمان مربوط به روش مرتبط محاسبه می شود. جهت بازگشت قیمت. اگر فرآیند اساسی کاملاً تصادفی باشد ، نسبت پیش بینی صحیح علامت 50 ٪ خواهد بود ، جایی که هر میزان دقت بیشتر از 50 ٪ توانایی الگوریتم را برای ضرب و شتم بازار نشان می دهد ، بیشتر با استفاده از نسبت سود بهینه برای اندازه گیری پشتیبانی می شود. عملکرد الگوریتم طبقه بندی مرتبط. علاوه بر این ، ما بیشتر روشها را برای ارائه نتایج نزدیک به یکدیگر گزارش می کنیم ، بهترین مدل عملکردی که عملکرد دستگاه بردار پشتیبانی به طور متوسط میزان موفقیت خارج از نمونه در حدود 56 ٪ است. نکته مهم دیگر که باید به آن توجه داشته باشید این است که در حالی که حداکثر مقدار دقت می توان با مدل ARIMA به دست آورد ، تنها 56 ٪ در بین همه موارد در نظر گرفته شده است ، این تعداد حتی برای الگوریتم دستگاه بردار پشتیبانی تا 71 ٪ افزایش می یابد. شواهد بیشتر نشان می دهد که چنین پیش بینی در بزرگی افزایش می یابد ، زیرا ما بر روی آینده با سررسید بزرگتر ، به ویژه موارد 4- و 5 ماهه تمرکز می کنیم. چنین شواهدی نشان می دهد که محصولات آتی بیت کوین شواهدی از پیش بینی علائم با استفاده از یادگیری ماشین ارائه می دهند.

این مقاله به شرح زیر ساخته شده است: تحقیقات قبلی که رویکردهای نظری و روش شناختی منتخب ما را راهنمایی می کند ، در بخش خلاصه می شود. 2. بخش 3 توضیح کاملی از طیف گسترده ای از داده های مورد استفاده در تحلیل های ما ، در حالی که فرقه است ، ارائه می دهد. 4 نمای کلی از روشهای مورد استفاده را ارائه می دهد. بخش 5 یک نمای کلی از نتایج و ارتباط آنها برای سیاست گذاران و مقامات نظارتی ، در حالی که فرقه است ، ارائه می دهد. 6 نتیجه گیری

ادبیات قبلی

این تحقیق در سه زمینه اصلی تحقیق انجام می شود. اولین مورد بر اساس توسعه یادگیری ماشین و فرآیندهای ذاتی موجود در آن ساخته شده است. مورد دوم مبتنی بر توسعه ارزهای رمزنگاری با تأکید بر رفتار قیمت گذاری آینده است ، در حالی که سرانجام ، منطقه سوم که از طریق آن کار خود را توسعه می دهیم بر اساس چندین قطعه است که پیش بینی قیمت های نقطه رمزنگاری را بررسی کرده اند. در درجه اول ، یادگیری ماشین در مناطق مختلفی مانند بازار سهام مورد استفاده قرار گرفته است (Wittkemper and Steiner 1996 ؛ Ntakaris et al. 2018 ؛ Sirignano 2019 ؛ Huck 2019 ؛ Sirigano and Cont 2019 ؛ Huang and Liu 2020 ؛ Philip 2020) ؛بازارهای ارزی در طول بحران (ال شازلی و ال شازلی 1999 ؛ زیمرمن و همکاران 2001 ؛ آولد و لینتون 2019) ؛بازارهای انرژی مانند West Texas Intermediate (چای و همکاران 2018) ، بازارهای نفت خام (فن و همکاران 2016) ، بازارهای نفتی و بنزین کوشینگ (وانگ و همکاران 2018) ، بازارهای طلا (چن و همکاران 2020) ؛بازارهای گاز (Ftiti و همکاران 2020) ، آینده های کشاورزی (Fang et al. 2020) ؛بازارهای مس (سانچز لاشراس و همکاران 2015) ؛و بازارهای ذغال سنگ (ماتجاسک و همکاران 2019 ؛ آلامر و همکاران 2020) ؛بازارهای نقطه cryptocurrency (Akyildirim et al. 2020 ؛ Chowdhury et al. 2020 ؛ Chen et al. 2021) بازارها (Lajbcygier 2004 ؛ de Spiegeleer et al. 2018) ؛و بازارهای آتی (کیم و همکاران 2020).

کار ما بیشتر بر اساس استفاده از شبکه های عصبی برای اهداف پیش بینی توسعه می یابد ، که از طریق آن یک سنتز مختصر از ادبیات قبلی توسط ژانگ و همکاران ارائه می شود.(1998). قدیسی و همکاران.(2019) یک بررسی انتقادی از ادبیات را بر اساس کاربرد یادگیری ماشین ارائه داد ، نشان می دهد که دستگاه بردار پشتیبانی (SVM) ، شبکه عصبی مصنوعی (ANN) و الگوریتم های ژنتیکی (GAS) از محبوب ترین تکنیک های مورد استفاده برای تمرکز بر روی آنها هستندبازارهای انرژیناکانو و همکاران.(2018) قبلاً تجارت فنی بیت کوین را بر اساس شبکه های عصبی مصنوعی برای پیش بینی بازگشت ، که از طریق آن Akyildirim و همکاران بود ، مورد بررسی قرار داده بود.(2020) بیشتر با بررسی پیش بینی مایع بیشترین دوازده ارز رمزنگاری شده در فرکانس های سطح روزانه و دقیقه مورد تجزیه و تحلیل قرار می گیرد. نویسندگان دریافتند که الگوریتم های طبقه بندی یادگیری ماشین به طور متوسط در فرکانس های سطح روزانه یا دقیقه به حدود 55-65 ٪ دقت می کنند ، در حالی که دستگاه های بردار پشتیبانی بهترین و ثابت را از نظر دقت پیش بینی در مقایسه با رگرسیون لجستیک ، عصبی مصنوعی نشان می دهند. شبکه ها ، و الگوریتم های طبقه بندی جنگل تصادفی. سعد و همکاران.(2020) شواهدی از دقت پیش بینی تا 99 ٪ برای قیمت بیت کوین و اتریوم ارائه داد. در حالی که Hubáček و همکاران.(2019) یک سیستم پیش بینی شده را برای سودآوری از بازار بتونی ورزشی که به طور خاص کار خود را از طریق استفاده از شبکه های عصبی حلقوی برای پیش بینی نتیجه مسابقه توسعه داده است ، معرفی کرد.

تحقیقات قبلی در مورد آینده Cryptocurrency تا به امروز کاملاً گسترده بوده است. کوربت و همکاران ، مروری گسترده ای از زمینه های اصلی تحقیقات ارائه شده است.(2019) ، که از طریق آن مناطق پیرامون بهره وری در بازار ، توسعه مبادلات آتی و رفتارهای غیرقانونی بیان شده است. Akyildirim و همکاران.(2020) با استفاده از یک تجزیه و تحلیل فرکانس بالا برای نشان دادن اثرات قیمت گذاری قابل توجهی که از هر دو ناله کلاهبرداری و نظارتی در صنعت حاصل می شود ، تأیید می کند که آتی CME بیت کوین بر کشف قیمت نسبت به بازارهای نقطه حاکم است. الكساندر و همكاران.(2020) هنگام در نظر گرفتن نقشی که مشتقات Bitmex در هنگام بازارهای نقطه ای به طور مشابه ، به طور اطلاعاتی پیشرو ، در نظر گرفتند ، شواهد مشابهی پیدا کردند. کوربت و همکاران.(2020) شواهد بیشتری در مورد بلوغ بازار بیت کوین از طریق پاسخ قابل توجه به اخبار کلان اقتصادی پیدا کرد ، در حالی که Koutmos (2020) نشان داد که نرخ بهره و دلالت بر بازار سهام و نوسانات بازار ارزی تعیین کننده های مهم بازده بیت کوین است. د لا هرورا و همکاران.(2019) تقاضا برای بیت کوین را برای تعیین اینکه آیا از ابزار بیت کوین به عنوان واسطه مبادله ، یک دارایی سوداگرانه یا به عنوان یک کالای ایمن محافظت می کند ، تجزیه و تحلیل کرد ، و فهمید که دارایی در کوتاه مدت بسیار سوداگرانه است. Giudici و Polinesi (2019) در درجه اول مشخص کردند که قیمت مبادله بیت کوین با یکدیگر ارتباط مثبت دارد و مبادلات بزرگ Bitstamp ، قیمت ها را هدایت می کند. چنین اثرات بی ثبات کننده کلاهبرداری و حوادث نظارتی نیز توسط Akyildirim و همکاران مشخص شده بود.(2020) ، کوربت و همکاران.(2020) ، Katsiampa و همکاران.(2019a) ، Katsiampa و همکاران.(2019b) و هو و همکاران.(2020). شواهد حمایت از پیش بینی قیمت های آینده بیت کوین از طریق استفاده از یادگیری ماشین به صراحت یک ویژگی منحصر به فرد برای بازارهای رمزنگاری نخواهد بود ، زیرا قبلاً در چندین دارایی مانند بازارهای ارزی (Plakandaras و همکاران 2015) و چندین دارایی دیگر شناسایی شده است. بازارها (Akyildirim و همکاران 2020) ، توجه به این نکته ضروری است که برخلاف فرضیه های کارآمد بازارهای ، جایی که قیمت ها باید از یک روند مارتینگال پیروی کنند. با این حال ، چنین نتیجه ای می تواند شواهد دیگری را ارائه دهد که از رشد در حال رشد بهره وری عملیاتی و فنی که در سالهای اخیر در چنین بازارهایی مشاهده شده است ، ارائه می دهد. چنین بازارهایی به چنین وضعیت بین المللی افزایش یافته است ،

این مقادیر قابل توجهی از تحقیقات ، استفاده از بازارهای رمزنگاری را به عنوان یک مکانیسم محافظت در برابر فشارهای قابل توجه در بازار مالی و اثرات مسری که با توسعه و سردرگمی گسترده همراه با همه گیر COVID-19 همراه بوده است ، با تأکید بر اثرات مسری (Akhtaruzzaman et همراه بوده است (Akhtaruzzaman etal. 2020 ؛ Corbet و همکاران 2020 ، 2021 ؛ Mensi و همکاران 2020) ، کشف قیمت دارایی (کوربت و همکاران 2020) ، اثرات پناهگاه ایمن (Conlon و همکاران 2020) ، عملکرد صندوق پرچین (Yarovaya و همکاران 2020) ، احساسات (کوربت و همکاران 2020) ، ریسک سیاسی (شریف و همکاران 2020) و اساس تمرکز تحقیقات آینده (گودل 2020). از آنجایی که توسعه بازار بیت کوین آینده به عنوان یک نقطه عطف مهم در انتقال نه تنها بیت کوین در انزوا ، بلکه cryptocurrency به عنوان یک محصول مالی گسترده مشاهده می شود ، مهم است که به طور خاص درک کنیم که آیا در مقایسه با دارایی های بازار مالی سنتی ، تفاوت های رفتار وجود دارد.

در حالی که به طور خاص قیمت های نقطه بیت کوین را پیش بینی می کند ، با استفاده از تکنیک های عصبی فازی ، Atsalakis و همکاران.. به طور مشابه ، فاغیه محمدی جلال و هایداری (2020) دریافتند که با استفاده از یک مدل خاکستری مرتبه اول (GM (1،1)) ، قیمت بیت کوین می تواند به طور دقیق پیش بینی شود ، تا میزان اطمینان تقریبی 98 ٪ از طریقانتخاب دوره های خاص. Alonso-Monsalve و همکاران.(2020) دریافت که شبکه های عصبی Convolutional LSTM از همه بقیه به طور قابل توجهی بهتر است ، در حالی که شبکه های عصبی CNN نیز قادر به ارائه نتایج رضایت بخش بودند. به خصوص در بازارهای Cryptocurrency بیت کوین ، اتر و Litecoin. علاوه بر این ، ما و همکاران.(2020) دریافت که مدل رمان پیشنهادی MRS-MIDAS از نظر آماری از نظر آماری برای پیش بینی RV بیت کوین بین سال 2011 و 2018 بهبود یافته است ، Adcock و Gradojevic (2019) دریافتند که شبکه های عصبی Backpropagation از نظر دقت پیش بینی خود بر مدل های مختلف رقیب تسلط دارند. علاوه بر این ، هنگام تلاش برای پیش بینی تصادفات حباب بیت کوین ، شو و زو (2020) نشان دادند که یک نشانگر اعتماد به نفس LPPLS توانایی تشخیص برتر را در حباب ها ارائه می دهد و تصادفات حباب را به طور دقیق پیش بینی می کند ، حتی اگر حباب فقط برای مدت زمان کوتاهی وجود داشته باشد. چنین کارهایی که بر روی همان ساختار سامیتاس و همکاران ساخته شده است.(2020) ، که دریافت که اثربخشی یادگیری ماشین به عنوان یک سیستم هشدار اولیه برای پیش بینی بحران مالی به 98. 8 ٪ رسیده است. Zoumpekas و همکاران.(2020) دریافت که شبکه عصبی حلقوی و چهار نوع شبکه عصبی مکرر از جمله شبکه حافظه کوتاه مدت کوتاه مدت ، شبکه حافظه کوتاه مدت بلند مدت انباشته شده ، شبکه حافظه کوتاه مدت دو طرفه و شبکه واحد مکرر دروازه می توانند برای پیش بینی استفاده شوندقیمت بسته شدن Ethereum در زمان واقعی با امیدوار کننده و سودآوری تجربی اثبات شده. چنین نتایج شواهدی را نشان می دهد که پیش بینی بازارهای رمزنگاری شده از نظر آماری در تقابل مستقیم با فرضیه بازارهای کارآمد [قبلاً در بازارهای رمزنگاری شده توسط Sensoy (2019) و Akyildirim و همکاران مورد بررسی قرار گرفته بود.(2020)] ، اما این اولین بازاری نیست که شواهدی مانند Plakandaras و همکاران ارائه داده است.(2015) پیش از این مشخص شده بود که نتایج مشابه الحاد در بازارهای ارزی مشخص شده است. 3