پیش بینی رمزنگاری چند متغیره: تجزیه و تحلیل مقایسه ای از سه شبکه عصبی مکرر

Cryptocurrency به عنوان نوع جدیدی از ارز معرفی شده در هزاره جدید ، اکوسیستم های خود را ایجاد کرده و بسیاری از افراد را به استفاده و سرمایه گذاری در آن جذب می کند. با این حال ، ارزهای رمزنگاری شده بسیار پویا و بی ثبات هستند و پیش بینی ارزشهای آینده آنها را به چالش می کشد. در این تحقیق ، ما از یک رویکرد پیش بینی چند متغیره و سه شبکه عصبی مکرر مختلف (RNN) ، یعنی حافظه کوتاه مدت بلند مدت (LSTM) ، LSTM دو طرفه (BI-LSTM) و واحد عود مکرر (GRU) استفاده می کنیم. ما همچنین در این مطالعه معماری سه لایه ساده شبکه های عمیق را برای کار رگرسیون پیشنهاد می کنیم. از نتایج تجربی در پنج ارز رمزنگاری عمده ، یعنی بیت کوین (BTC) ، اتریوم (ETH) ، Cardano (ADA) ، Tether (USDT) و Binance Coin (BNB) ، می فهمیم که هر دو BI-LSTM و GRU عملکرد مشابهی دارنداز نظر دقت نتایج حاصل می شود. با این حال ، از نظر زمان اجرای ، هر دو LSTM و GRU نتایج مشابهی دارند ، جایی که GRU کمی بهتر است و به طور متوسط نتایج تنوع کمتری دارد.

معرفی

به عنوان یک نوع نسبتاً جدید از ارز معرفی شده در هزاره جدید ، Cryptocurrency یک ارز دیجیتالی یا مجازی است که از تکنیک های رمزگذاری پیشرفته در مدیریت و تنظیم واحدهای ارزی خود استفاده می کند [1]. این به شدت به فناوری blockchain متکی است. از این رو خصوصیات blockchain مانند عدم تمرکز ، شفافیت و تغییر ناپذیری را به ارث می برد [2]. هیچ یک از طرفین یا مقامات تنها معاملات cryptocurrency را کنترل نمی کنند و این گزینه برای بسیاری از افراد برای استفاده و سرمایه گذاری در آن گزینه مهیج است.

اولین و محبوب ترین cryptocurrency تا به امروز بیت کوین است. این بنا بر اساس مفهوم معرفی شده در انتشارات Satoshi Nakamoto در سال 2008 با عنوان "Bitcoin: A Peer-to-Electronic Electronic System" [3] تأسیس شد ، که بعداً به عنوان یک کد منبع باز اجرا شد و در SourceForge برای عموم منتشر شد [4]این مفهوم به طور گسترده پذیرفته و در برنامه های مختلف پذیرفته شد ، به شکل دادن به اکوسیستم های رمزنگاری کمک کرد و بسیاری از ارزهای رمزنگاری شده دیگر مانند اتریوم ، ریپل ، مونرو ، ستاره ای ، لیتکین و داش را به دنیا آورد [2]. شکل 1 قیمت بیت کوین و چندین ارز رمزنگاری دیگر را در چند سال گذشته نشان می دهد ، همراه با درصد رشد آنها.

همانطور که از شکل 1A مشاهده می شود ، قیمت های رمزنگاری بسیار پویا هستند و این امر پیش بینی ارزشهای آینده ارزهای رمزنگاری شده را به یک کار چالش برانگیز تبدیل می کند. علاوه بر این ، ارزهای رمزنگاری نیز بسیار بی ثبات هستند ، با افزایش ناگهانی و فروپاشی به مرور زمان ، همانطور که در شکل 1B نشان داده شده است ، ناشی از عوامل بسیاری است. بنابراین ، جامعه بازرگانی برای کمک به آنها در تصمیم گیری های استراتژیک و بهره مندی از سرمایه گذاری خود به یک روش پیش بینی دقیق نیاز دارد [6].

چندین تکنیک پیش بینی در مطالعات قبلی معرفی شد ، اما می توان آنها را به دو رویکرد گروه بندی کرد: تجزیه و تحلیل تجربی سنتی و الگوریتم های یادگیری ماشین [7 ، 8]. در تجزیه و تحلیل تجربی سنتی ، روشهای مختلف آماری اعم از یک روش ساده (مانند میانگین متحرک) گرفته تا تجزیه و تحلیل های بسیار پیچیده (مانند مدل مارکوف پنهان و تکنیک های تجزیه و تحلیل احساسات) برای پیش بینی حرکت قیمت های رمزنگاری شده استفاده شده است [9]. مطالعات متعددی که روی این رویکرد متمرکز شده اند آنوپرییا و گارگ هستند [10] ، ابراهیم و همکاران.[11] ، Mohapatra و همکاران.[12] ، ناصر و همکاران.[13] ، باکار و روزبی [14] و ولک [15].

از طرف دیگر ، رویکرد یادگیری ماشین به طور گسترده در زمینه های مختلف ، از جمله برای پیش بینی قیمت های رمزنگاری شده استفاده می شد. Radityo و همکاران.[16] سعی کرد با استفاده از شبکه های عصبی مصنوعی (ANN) نرخ ارز بیت کوین را به دلار پیش بینی کند. چهار نوع ANN در آنجا مقایسه شد که دریافتند که روش شبکه عصبی Backpropagation (BPNN) بهترین روش است که میانگین خطای درصد مطلق (MAPE) و کوتاهترین زمان آموزش را ارائه می دهد. Phaladisailoed و Numnonda [17] همچنین سعی کرده اند قیمت بیت کوین را پیش بینی کنند. با این حال ، آنها از روشهای یادگیری ماشین دیگر ، یعنی رگرسیون تیل-سن و رگرسیون هوبر و حتی دو روش یادگیری عمیق ، یعنی حافظه کوتاه مدت بلند (LSTM) و واحد مکرر دروازه (GRU) استفاده کردند. نتایج تجربی آنها در مورد داده های مبادله معاملاتی روزانه 2195 (BTC/USD) نشان داد که GRU به ترتیب کمترین میانگین خطای مربع (MSE) و بالاترین مقادیر R-Scare را در 0. 00002 و 0. 992 به دست آورد. اخیراً ، Akyildirim و همکاران.[18] کار خود را در پیش بینی بازده رمزنگاری با استفاده از چندین روش یادگیری ماشین ، مانند دستگاه وکتور پشتیبانی (SVM) ، رگرسیون لجستیک ، شبکه های عصبی مصنوعی و جنگل تصادفی منتشر کرد. در این مطالعه ، تمرکز آنها نه تنها روی یک قیمت رمزنگاری بلکه قیمت دوازده ارز رمزپایه بود. آنها دریافتند که SVM بهترین روش عملکردی است که نتایج مداوم را ارائه می دهد. برخی از محققان دیگر همچنین سعی کردند روشهای گروهی را در مقابله با پیش بینی قیمت cryptocurrency ، همانطور که در آثار گناه و وانگ [19] و جی و همکاران مشاهده می شود ، توسعه دهند.[20]

در این تحقیق ، ما سه روش یادگیری عمیق محبوب را که به عنوان شبکه های عصبی مکرر (RNN) طبقه بندی می شوند ، استفاده و تجزیه و تحلیل خواهیم کرد. آنها حافظه کوتاه مدت بلند مدت (LSTM) ، LSTM دو جهته و واحد مکرر دروازه (GRU) هستند. اگرچه چندین مطالعه از این روشها استفاده کرده بودند ، اما بیشتر آنها بر روی مدل پیش بینی تک متغیره متمرکز شده اند ، در حالی که در این تحقیق ، ما تمرکز خود را بر روی مدل پیش بینی چند متغیره قرار خواهیم داد. علاوه بر این ، ما همچنین از پنج ارز رمزنگاری اصلی مطابق با سرمایه گذاری در بازار ، یعنی بیت کوین (BTC) ، اتریوم (ETH) ، Cardano (ADA) ، Tether (USDT) و Binance Coin (BNB) استفاده می کنیم [21]. از این رو ، چندین سهم از این تحقیق عبارتند از: (1) ما سه لایه ساده معماری شبکه را برای انجام وظیفه رگرسیون در پیش بینی قیمت های رمزنگاری پیشنهاد می کنیم ، (2) ما معماری پیشنهادی را در سه RNN های محبوب ، یعنی LSTM ، BI-LSTM ، مقایسه و تجزیه و تحلیل می کنیم. و مدل های GRU ، (3) ما از رویکرد چند متغیره در پنج ارز رمزنگاری اصلی استفاده می کنیم و نتایج آنها را ارزیابی می کنیم ، و در آخر ، (4) ما معماری پیشنهادی را در هر مدل چندین بار اجرا می کنیم تا نتایج ارزیابی قوی را بدست آوریم.

سازماندهی این مقاله به شرح زیر است. جمع آوری داده ها و سه RNN به عنوان روش یادگیری عمیق مورد استفاده در این تحقیق به زودی توضیح داده می شود. در مرحله بعد ، مراحل پیش پردازش ، نتایج تجربی و بحث در بخش زیر ارائه می شود. سرانجام ، برخی از اظهارات و پیشنهادات نتیجه گیری برای جهت تحقیقات آینده به مقاله پایان می یابد.

جمع آوری داده ها و روش تحقیق

ما این بخش را با توضیح منبع جمع آوری داده ها و ویژگی های آنها شروع می کنیم. در مرحله بعد ، شرح مختصری از سه مدل محبوب RNNS ، یعنی LSTM ، BI-LSTM و GRU ، آورده شده است. در پایان ، توضیح سه معیار خطای پیش بینی متداول ، یعنی میانگین خطای مطلق (MAE) ، میانگین خطای درصد مطلق (MAPE) و میانگین خطای مربع (RMSE) ، به عنوان معیارهای ارزیابی عملکرد مورد استفاده در این تحقیقتحویل داده شود

منبع داده و خصوصیات

ما مطالعه خود را بر روی پنج ارز رمزنگاری عمده بر اساس سرمایه گذاری در بازار آنها متمرکز می کنیم [21]. آنها بیت کوین (BTC) ، Ethereum (ETH) ، Cardano (ADA) ، Tether (USDT) و Binance Coin (BNB) هستند. ما داده های ضبط شده روزانه از هر قیمت رمزنگاری را در برابر USD از Yahoo! جمع آوری کردیم. امور مالی [22] و حداکثر داده های موجود را از منبع گرفت. هر مجموعه داده جمع آوری شده شامل هفت ویژگی با انواع مختلف داده ها ، یعنی تاریخ (تاریخ) ، باز (شناور) ، بالا (شناور) ، کم (شناور) ، نزدیک (شناور) ، adj نزدیک (شناور) و حجم (int) است. از آنجا که هر cryptocurrency در زمان های مختلف معرفی و ضبط شده است ، تاریخ شروع داده های موجود برای هر رمزنگاری با یکدیگر متفاوت خواهد بود. این همچنین منجر به تعداد مختلفی از کل سوابق مورد مطالعه برای هر رمزنگاری می شود. ویژگی های مجموعه داده های جمع آوری شده در جدول 1 نشان داده شده است.

نسخه جدیدتری از LSTM ، به نام مدل LSTM (دو-LSTM) دو طرفه ، بعداً معرفی شد. در BI-LSTM ، ساختار دو طرفه RNN ها به کار می رود. بنابراین ، به جای یک لایه پنهان جهت رو به جلو ، دو لایه پنهان با خروجی مشابه و جهت های معکوس استفاده می شود [29] ، همانطور که در شکل 3 نشان داده شده است. وقتی شبکه ها از هر دو جهت به طور جداگانه یاد گرفته اند ، خروجی آنها با استفاده از هر یک از آنها ترکیب می شودحالت های ادغام موجود برای BI-LSTM [30]. در این مطالعه ، ما از حالت ادغام پیش فرض در BI-LSTM ، یعنی حالت Concatenation استفاده کردیم. با استفاده از این رویکرد ، هر دو اطلاعات گذشته و آینده موجود در مجموعه داده ها می توانند حفظ شوند [31].

نوع دیگری از RNN هایی که اخیراً توسط چو و همکاران معرفی شده اند.[33] به عنوان واحد مکرر دروازه (GRU) شناخته می شود. تقریباً شبیه LSTM است. با این حال ، از دروازه های کمتری و معادلات ساده تر استفاده می کند. این دروازه های فراموش و ورودی LSTM را در یک دروازه بروزرسانی واحد ترکیب می کند و سلول و حالت های پنهان را ادغام می کند [6]. چهار معادله همانطور که در Eqs نشان داده شده در سلول GRU گنجانیده شده است.(7-10) در زیر.