پیش بینی دقیق قیمت بیت کوین می تواند پشتیبانی تصمیم گیری را برای سرمایه گذاران و مرجع دولت ها برای ایجاد سیاست های نظارتی فراهم کند. پیش بینی قیمت بیت کوین به دلیل ویژگی های داده خود مانند پویایی بسیار بی ثبات ، بسیار غیر خطی ، غیر خطی ، بدون تناوبی و وجود طیف اجزای مقیاس ، داده های پر سر و صدا و تصادفی نیاز به تجزیه و تحلیل دقیق و نمایشی دارد. وادقیمت را می توان با تبدیل داده های اصلی به فرم قابل تحمل دیگر به همراه ابزارهای هوش مصنوعی به طور مؤثر پیش بینی کرد. در این مقاله ، ما از نمودار فاصله (IG) برای تبدیل داده های اصلی استفاده کردیم که برای استفاده از مدل شبکه های عصبی مصنوعی (ANN) برای پیش بینی قیمت بیت کوین قابل استفاده است. قیمت بیت کوین ، که یک داده های سری زمانی است ، به ترتیب در قالب ویندوز که قیمت روز ، هفته و ماه را نشان می دهد ، ضبط می شود. ما از سه معیار ارزیابی مانند MAPE ، RMSE و DSTAT استفاده کرده ایم. مطالعه تجربی به وضوح عملکرد دلگرم کننده و اثربخشی IG-ANN را نشان داده است. این عملکرد با تکنیک های سنتی ANN در داده های سری زمانی بیت کوین که در سال 2013-2019 قرار دارد مقایسه می شود و دریافت که IG-ANN از همه بهتر است.
روی نسخه خطی کار می کنید؟
معرفی
بیت کوین به رهبری نوآوری فناوری blockchain یکی از ارزهای رمزنگاری شده است که توسط یک محقق ناشناس Satoshi Nakamoto با P2P (یک سیستم نقدی الکترونیکی همتا به همتا) در سال 2008 اختراع شده است [3 ، 7]. بیت کوین یک شگفتی منحصر به فرد از انقلاب صنعتی چهارم و یکی از پیشرفته ترین محصولات فناوری و مالی است [23] ، که از الگوریتم های رمزنگاری قوی مانند الگوریتم هش امن 2 (SHA-2) ، پیام Digest 5 (MD5) و اثبات استفاده می کند. مکانیسم های اجماع کار (POW) مبتنی بر زمان و هش برای امنیت سوابق [15]. خصوصیات منحصر به فرد ارزهای رمزنگاری شده ، مانند امنیت ، شفافیت ، ردیابی ، تغییر ناپذیری ، بدون تخریب ، شناخت آسان و جعل دشوار ، تقریباً در همه بخش ها به ویژه در بخش های مالی محبوبیت پیدا کرده است [15]. این اولین نمونه موفق از رمزنگاری غیر متمرکز و بیش از 48 ٪ از ارزش بازار رمزنگاری است. این محصول به یک دارایی یا کالایی مانند کالایی تبدیل شده است که در بیش از 16000 بازار در سراسر جهان معامله شده است [7]. در حال حاضر ، این رهبر در بازار cryptocurrency است [6]. این امر به عنوان یک دارایی سرمایه گذاری در نظر گرفته شده است و داشتن ویژگی های قابل تشخیص مانند طلا ، به طور فزاینده ای توجه سرمایه گذاران حیرت انگیز را پس از رونق و شلوغی قیمت های رمزنگاری شده دریافت کرده است [7] (آگاروال و همکاران 2020). این بحث برانگیز به عنوان پاورقی "طلای دیجیتال" 1 و حتی نسخه بهتر طلا شناخته شده است ، زیرا بسیاری از مطالعات نشان می دهد که ویژگی بیت کوین به عنوان مقاومت برتر در دوره پریشانی مالی است [11].
تحقیق در مورد تجربی و ساختاری ، کارآیی پیامدهای بهداشتی COVID-19 در قیمت بازار ارزهای رمزنگاری شده ، Litecoin ، Ethereum ، Bitcoin Cash ، آخرین مطالعه توسط سارکودی و همکاران.[19] نتیجه قوی از لیتر لیتکین را با 3. 20-3. 84 ٪ ، بیت کوین با 2. 71-3. 27 ٪ ، اتریوم 1. 431. 75 ٪ و پول نقد بیت کوین ، حتی در طول شوک های Covid-19 نشان داد. مدتهاست که برای سرمایه گذاران که در جستجوی یک دارایی پناهگاه امن هستند ، مورد توجه محوری قرار گرفته است [23] و پیش بینی قیمت آن به یک موضوع تحقیق روند در سطح جهان تبدیل شده است [15]. پیش بینی دقیق قیمت بیت کوین نه تنها می تواند پشتیبانی از تصمیم گیری را برای سرمایه گذاران فراهم کند بلکه مرجعی را برای دولت ها فراهم می کند تا سیاست های نظارتی را انجام دهند [14]. تحقیقات زیادی برای پیش بینی قیمت بیت کوین انجام شده است.
پیش بینی قیمت بیت کوین به دلیل ویژگی های داده آن مانند پویایی بسیار بی ثبات ، بسیار غیرخطی ، غیر ثابت ، غیر خطی ، بدون تناوبی ، وجود طیف اجزای مقیاس ، داده های پر سر و صدا و تصادفی ، توجه دقیق را شامل می شود. محققان در سراسر جهان از تکنیک ها و روش های مختلفی از حوزه های آماری ، یادگیری ماشین و یادگیری عمیق مانند LR ، ARIMA ، LDA ، DT ، RF ، XGBOOST ، QDA ، SVM و LSTM استفاده کرده اند تا قیمت بیت کوین را پیش بینی کنند. تحقیقات استفاده از مدل های ترکیبی مانند CNN و GRU [2] را برای پیش بینی قیمت بیت کوین نشان داده است.
ادبیات متوجه شده است که با تبدیل داده های سری زمانی اصلی به استخراج ، می توان از مدل های AI برای بدست آوردن نتیجه پیش بینی بهتر استفاده کرد. به عنوان مثال ، وو و همکاران.[26] استخراج داده های denoized از اصل با استفاده از DENOISING مبتنی بر DWT و ELM-DWT کاربردی بر روی داده های denoised. مشاهده شده است که روش مبتنی بر DWT نسبت به بیشتر الگوریتم های مشهور ML در روند سهام چین عملکرد خوبی داشته است. وانگ و همکاران.[24] از تکنیک PVN برای تبدیل داده های اصلی به شبکه نوسانات پیش بینی شده و متعاقباً مدل های هوش مصنوعی در مجموعه داده های تازه فرموله شده استفاده کرده اند. از این نتیجه مشاهده می شود که PVN-ANN (استفاده از تکنیک های ANN بر روی داده های تبدیل شده با استفاده از روش PVN) با برتری قابل لمس در مقایسه با تمام مدل های معمولی ANN غنی شده است. در این مقاله از نمودار فاصله برای گرفتن تغییر در قیمت بیت کوین استفاده کردیم. قیمت بیت کوین یک داده های سری زمانی است و به عنوان یک داده زمانی نشان داده شده و به شکل پنجره نشان داده شده است. تغییر در مقادیر/قیمت ها در یک نقطه معین از زمان "t" با استفاده از خاصیت نمودار فاصله ضبط می شود. با این کار ، تأثیر سر و صدا ، ویژگی غیر خطی ، تأثیر تصادفی و غیره به طور مؤثر انجام می شود. در نتیجه ، داده های سری زمانی اصلی با بازنمایی نمودار فاصله ، که برای پیش بینی و پیش بینی قابل تحمل است ، به دامنه مختلف تبدیل می شوند. بقیه مقاله به شرح زیر سازماندهی شده است. بررسی ادبیات پیشرفته در فرقه ارائه شده است. 2. مدل IG-ANN در بخش ارائه شده است. 3. در فرقه. 4 ، نتیجه تجربی ارائه شده است ، و مقاله در بخش آخر نتیجه گیری می شود.
مطالعات مرتبط
یک روش ترکیبی DFN-AI توسط ژانگ و همکاران ارائه شده است.[29]در تحقیقات خود ، نویسندگان مجموعه داده های سری زمانی اصلی (شاخص خشک بالتیک) را به عنوان شبکه کارگردانی برای از بین بردن نویز تبدیل کرده و مجموعه داده های جدید را برای استخراج ویژگی های متغیر زمان در آن تشکیل داده اند. پس از تدوین مجموعه داده های جدید ، نویسندگان از مدل ترکیبی خود مانند DFN-BP ، DFN-RBF و DFN-ELM استفاده کرده اند.
پنگ و همکاران.[16] GARCH را به همراه رگرسیون بردار پشتیبانی برای پیش بینی قیمت بیت کوین ، اتریوم و داش به کار گرفته است. راتان و همکاران.[18] برای پیش بینی قیمت بیت کوین از درخت تصمیم و رگرسیون خطی استفاده کرده است. در یک مطالعه دیگر ، تاندون و همکاران.[22] برای پیش بینی قیمت بیت کوین از LSTM به همراه ده برابر اعتبار سنجی استفاده کرده است. ANN با الگوریتم ژنتیکی توسط Radityo و همکاران استفاده شده است.[17]یک مطالعه توسط Sin و Wang [20] قیمت بیت کوین را با استفاده از ANN که به عنوان گاسن شناخته می شود ، پیش بینی کرده است. با استفاده از مدل های Hybrid Hidden Markov و LSTM و نتایج بهبود یافته نسبت به Arima و LSTM سنتی [10]. با استفاده از ANN و LSTM ، Yiying و Yeze [28] در مورد پویایی قیمت بیت کوین تجزیه و تحلیل کرده اند.
در جدول 1 روشهای مختلف به همراه هدف روشها و مدل هوش مصنوعی به کار رفته برای تمایل به وضوح ارائه شده است.
بر اساس بررسی ارائه شده در این بخش و مقایسه ای که در جدول 1 نشان داده شده است ، تقریباً تمام مدل ها با استفاده از مدل های هوش مصنوعی ، قیمت بیت کوین را پیش بینی کرده اند. با این حال ، هیچ یک از مدلها بیشترین تأثیر را بر روی ویژگی های داده های سری زمانی مانند پر سر و صدا ، غیر خطی ، پویایی غیرخطی و غیره ندارند. بنابراین ، ضروری است که یک مدل برای رسیدگی به خصوصیات فوق الذکر لازم باشدداده های سری زمانی و پیش بینی/پیش بینی قیمت بیت کوین. در این مقاله ، ما مدل IG-ANN را پیشنهاد می کنیم ، که داده های سری زمانی را کنترل می کند و داده ها را برای پیش بینی و پیش بینی به یک فرم قابل تحمل تبدیل می کند. به بهترین دانش ما ، هیچ ادبیاتی برای پیش بینی قیمت بیت کوین از نمودار فاصله استفاده نکرده است.
روش شناسی
این بخش به سه زیر بخش مانند پیش پردازش ، بردار ویژگی و معیارهای عملکرد تجزیه می شود. نمودار بلوک رویکرد پیشنهادی در شکل 1 نشان داده شده است.
نمودار عملکرد رویکرد پیشنهادی
از پیش پردازش
بلوک اول شکل 1 طرح پیش پردازنده رویکرد پیشنهادی را نشان می دهد. مجموعه داده حاوی مقدار عددی و اشیاء است. اشیاء برای ساخت داده های مناسب برای محاسبه ایجاد می شوند. ما از پایتون برای محاسبه استفاده کرده ایم و فریم های داده به عنوان بلوک تبدیل داده ها ایجاد و تبدیل می شوند. هر ردیف از داده ها برای پیش بینی تغییر روز به روز یک شماره دنباله اختصاص داده می شود. به همین ترتیب ، شماره های هفته و ماه نیز به عنوان ویندوز برای پیش بینی هفته و ماه عاقلانه اختصاص داده می شود. تمام این پیش پردازش برای اختصاص بلوک شماره هفته/ماه انجام می شود.
ساخت بردار
این زیر بخش روش استخراج بردار ویژگی را برای پیش بینی قیمت ارائه می دهد. به عنوان اولین قدم ، قیمت هر پنجره خوانده می شود و برای محاسبه استفاده می شود. بگذارید P در یک پنجره (روز/هفته/ماه خردمند) قیمت باشد و به شرح زیر نشان داده شده است.
در معادلات1–3 ، \ (^\) ، \ (^\) ، و \ (^\) به ترتیب پنجره قیمت روز ، هفته و ماه را نشان می دهد.\ (
_ ^,
_ ^\) ، و \ (
_ ^\) هر قیمت در بلوک های روز ، هفته و ماه است. مقادیر N ، M و K تعداد روزها ، تعداد هفته و تعداد ماهها/بلوک های موجود در پایگاه داده است. مقدار k ، m و n دارای خاصیتی است که k \ (\ le m \ le n \). نمودار فاصله به شرح زیر ساخته شده است:
هر قیمت در \ (^\) ، \ (^\) ، و \ (^\) من به عنوان گره در نمودار در نظر گرفته می شوم
در معادله فوق ، G نمودار است ، v تعداد راس ها و E تعداد لبه ها هستند. در حالی که ما پیش بینی خردمندانه را در نظر می گیریم ، از Eq. 4 ، ما فقط قیمت ها را استخراج می کنیم ، که در یک نقطه معین از هم متفاوت هستند و به عنوان نقاط برجسته برای ساخت نمودار داخلی در نظر گرفته می شوند. دلیل این امر این است که نمودار فاصله نشان دهنده فاصله زمانی است. در نتیجه ، نمودار فاصله دارای گره ها/قیمت هایی خواهد بود که در یک بازه زمانی تغییر می کنند و به عنوان نشان داده می شوند
