بررسی مشکل پیش بینی قیمت cryptocurrency: یک رویکرد یادگیری عمیق

در دهه گذشته ، رمزنگاری در حوزه مالی به عنوان یک عامل اصلی در مشاغل و فرصت های بازار مالی ظاهر شده است. پیش بینی های دقیق می تواند به سرمایه گذاران cryptocurrency به سمت تصمیمات سرمایه گذاری درست کمک کند و منجر به افزایش بالقوه سود شود. علاوه بر این ، آنها همچنین می توانند از سیاست گذاران و محققان مالی در مطالعه رفتار بازارهای رمزنگاری پشتیبانی کنند. با این وجود ، پیش بینی قیمت رمزنگاری به دلیل ماهیت هرج و مرج و بسیار پیچیده ، یک کار بسیار چالش برانگیز محسوب می شود. در این مطالعه برخی از موفق ترین و پرکاربردترین الگوریتم های یادگیری عمیق با پیش بینی قیمت های رمزنگاری را ارزیابی می کنیم. نتایج به دست آمده ، شواهد قابل توجهی ارائه می دهد که مدل های یادگیری عمیق قادر به حل این مشکل به صورت مؤثر و مؤثر نیستند. با انجام آزمایش دقیق و تجزیه و تحلیل نتایج ، نتیجه می گیریم که اختراع و گنجاندن تکنیک ها ، استراتژی ها و رویکردهای جایگزین مانند: الگوریتم های پیش بینی پیشرفته تر ، روش های پیشرفته گروه ، تکنیک های مهندسی ویژگی و سایر معیارهای اعتبار سنجی ضروری است.

کلید واژه ها

• یادگیری عمیق
• CNN
• LSTM
• خندق
• پیش بینی قیمت cryptocurrency
• سری زمانی

دانلود مقاله کنفرانس PDF

1. معرفی

Cryptocurrency نوع جدیدی از ارز دیجیتال است که از فناوری blockchain و توابع رمزنگاری برای به دست آوردن شفافیت ، عدم تمرکز و تغییر ناپذیری استفاده می کند [12]. بیت کوین (BTC) اولین و محبوب ترین cryptocurrency محسوب می شود ، که در سال 2009 توسط یک گروه یا شخص ناشناس اختراع شده است. از آن زمان ، 4000 ارز رمزنگاری جایگزین مانند اتریم (ETH) و RIPPLE (XRP) ایجاد شده است که نشان می دهد بازار رمزنگاری شده استدر منطقه مالی پدیدار شد. BTC ، ETH و XRP محبوب ترین ارزهای رمزپایه هستند ، زیرا آنها تقریباً 79. 5 ٪ از سرمایه جهانی Cryptocurrency را در اختیار دارند.

پیش بینی قیمت cryptocurrency می تواند وام را به سرمایه گذاران رمزنگاری برای تصمیم گیری مناسب سرمایه گذاری به منظور دستیابی به سود بالاتر فراهم کند ، در حالی که می تواند از تصمیم گیری سیاست و محققان مالی برای مطالعه رفتار بازارهای رمزنگاری نیز پشتیبانی کند. پیش بینی قیمت Cryptocurrency می تواند به عنوان یک نوع مشترک از مشکلات سری زمانی ، مانند پیش بینی قیمت سهام در نظر گرفته شود. روشهای سنتی سری زمانی مانند مدل معروف یکپارچه متحرک Autoregressive (ARIMA) ، برای قیمت های رمزنگاری و پیش بینی حرکت استفاده شده است [13]. با این حال ، این مدلها قادر به ضبط الگوهای غیرخطی از مشکلات پیش بینی بسیار پیچیده بر خلاف الگوریتم های یادگیری عمیق هستند که در مشکلات پیش بینی سری زمانی به عملکرد بیشتر می رسند [17].

یادگیری عمیق (DL) به الگوریتم های قدرتمند یادگیری ماشین اشاره دارد که در حل مشکلات غیرخطی و پیچیده ای در مورد بهره برداری بیشتر از بسیاری از زمان ها داده ها به منظور تبدیل شدن به مدلهای پیش بینی کننده کارآمد تخصص دارند. پیش بینی دقیق قیمت cryptocurrency از نظر طبیعت یک مشکل قابل توجه و پیچیده است زیرا ارزش های آن به دنبال یک رفتار تقریبا آشوب آور و غیرقابل پیش بینی ، نوسانات بسیار بزرگی را در طول زمان دارند. بنابراین ، تکنیک های یادگیری عمیق ممکن است روش مناسب برای حل این مشکل را تشکیل دهند.

Recent research efforts have adopted deep leaing techniques for predicting cryptocurrency price. Ji et al. [8] conducted a comparison of state-of-the-art deep neural networks such as Long Short-Term Memory (LSTM), Deep Neural Networks (DNNs), deep residual network and their combinations for predicting Bitcoin price. Their results demonstrated slightly better accuracy of LSTM compared to other models for regression problem while DNNs outperformed all models on price movement prediction. Shintate and Pichl [16] developed a trend prediction classification framework for predicting non-stationary cryptocurrency time series utilizing deep leaing. Their results revealed that their proposed model outperformed LSTM baseline model while the profitability analysis showed that simple buy-and-hold strategy was superior to their model and thus it caot yet be used for algorithmic trading. Their results showed that LSTM was superior to the generalized regression neural architecture concluding that deep leaing is a very efficient method in predicting the inherent chaotic dynamics of cryptocurrency prices. Amjad and Shah [3] used live streaming Bitcoin data for predicting price changes (increase, decrease or no-change), building a model based on the most confident predictions, in order to perform profitable trades. The classification algorithms which they used were Random Forest, Logistic Regression and Linear Discriminant Analysis. Their results seem to be very impressive since they achieved a high prediction accuracy (>60-70 ٪) و حدود 5. 33 x بازده متوسط سرمایه گذاری در یک مجموعه آزمون.

در این کار ، ما عملکرد الگوریتم های پیشرفته یادگیری عمیق را برای پیش بینی قیمت و حرکت سه ارز معروف رمزنگاری (BTC ، ETH و XRP) ارزیابی می کنیم. سهم اصلی این تحقیق در بررسی سه سؤال اصلی نهفته است: i) آیا یادگیری عمیق می تواند قیمت های رمزنگاری را به طور مؤثر پیش بینی کند؟ii) آیا قیمت cryptocurrency یک روند پیاده روی تصادفی است؟iii) آیا یک روش اعتبار سنجی مناسب از مدل های پیش بینی قیمت رمزنگاری وجود دارد؟

علاوه بر این ، همچنین در توصیه الگوریتم های جدید و رویکردهای جایگزین برای مشکل پیش بینی cryptocurrency نهفته است.

باقیمانده این تحقیق به شرح زیر سازماندهی شده است: فرقه. 2 مقدمه مختصری از مدلهای پیشرفته یادگیری عمیق که در آزمایشات ما استفاده شده است ، انجام می دهد. بخش 3 روش تحقیق و نتایج تجربی ما را ارائه می دهد. بخش 4 در مورد سه سؤال تحقیق ، در حالی که فرقه است ، بحث و پاسخ می دهد. 5 پیشنهادات ما را در مورد راه حل های جایگزین احتمالی برای مشکل پیش بینی cryptocurrency ارائه می دهد. سرانجام ، فرقه6 اظهارات نتیجه گیری ما را ارائه می دهد.

2 شرح مختصر از مدلهای پیشرفته یادگیری عمیق

الگوریتم های یادگیری عمیق یکی از قدرتمندترین دسته الگوریتم های یادگیری ماشین را تشکیل می دهند که با موفقیت در بسیاری از برنامه های تجاری استفاده شده است. حافظه کوتاه مدت کوتاه مدت و شبکه های عصبی حلقوی احتمالاً محبوب ترین ، موفق ترین و تکنیک های یادگیری عمیق است.

حافظه کوتاه مدت بلند مدت (LSTM) [6] نوع خاصی از شبکه های عصبی عمیق را تشکیل می دهد ، که قادر به یادگیری وابستگی های بلند مدت با استفاده از اتصالات بازخورد به منظور "به یاد آوردن" حالت های سلولهای شبکه گذشته هستند. این شبکه ها از آنجا که با موفقیت در طیف گسترده ای از برنامه ها استفاده شده اند بسیار محبوب شده اند و عملکرد قابل توجهی را در پیش بینی سری زمانی نشان داده اند [5]. به طور خاص ، شبکه های LSTM توسط یک سلول حافظه ، ورودی ، خروجی و Gate Gate تشکیل شده اند. دروازه ورودی اطلاعات ذخیره شده جدید را در سلول حافظه کنترل می کند ، در حالی که گیت فراموش شده اطلاعاتی را که باید از بین برود کنترل می کند. سرانجام ، دروازه خروجی مقدار اطلاعات خروجی نهایی را که پس از تأخیر در فراموش کردن ، دروازه ورودی با استفاده از یک حلقه اتصال بازخورد ارائه می شود ، کنترل می کند. به این ترتیب ، LSTM قادر به ایجاد یک جریان اطلاعات کنترل شده برای فیلتر کردن اطلاعات غیر ضروری و در نتیجه دستیابی به یادگیری وابستگی های طولانی مدت است.

حافظه کوتاه مدت بلند مدت دو طرفه (BILSTM) [15] یک نوع خاص از شبکه های عصبی مکرر است که دو لایه LSTM از جهت های مکالمه را به همان خروجی متصل می کند ، تا به یاد داشته باشید حالت های سلولهای شبکه گذشته و آینده. ایده اصلی این است که هر دنباله آموزشی به جلو و عقب به دو لایه جداگانه LSTM ارائه می شود که با هدف دسترسی به هر دو زمینه گذشته و آینده برای یک زمان معین انجام می شود. به طور خاص ، اولین لایه پنهان دارای اتصالات مکرر از مراحل زمانی گذشته است. در حالی که در حالت دوم ، اتصالات مکرر معکوس می شوند و فعال سازی را به سمت عقب در امتداد دنباله منتقل می کنند.

شبکه های عصبی Convolutional (CNN) [2] نوع دیگری از شبکه های عصبی عمیق را تشکیل می دهند که به منظور فیلتر کردن داده های ورودی خام و استخراج ویژگی های ارزشمند ، از لایه های پیچیده و جمع آوری استفاده می کنند ، که به منظور تولید خروجی نهایی ، یک لایه کاملاً متصل را تغذیه می کند. به طور خاص ، آنها عملیات Convolution را در داده های ورودی و به منظور تولید ویژگی های مفید جدید تر اعمال می کنند. لایه های حلقوی معمولاً توسط یک لایه استخر دنبال می شوند که مقادیر از ویژگی های حل شده را تولید می کند که به عنوان نمونه ای از ابعاد پایین تر تولید می شود. در حقیقت ، یک لایه استخر ویژگی های جدیدی را تولید می کند که می تواند به عنوان نسخه های خلاصه از ویژگی های حل شده تولید شده توسط لایه حلقوی در نظر گرفته شود. این بدان معنی است که عملیات جمع آوری می تواند به طور قابل توجهی به شبکه کمک کند تا از آنجا که تغییرات کوچک ورودی ها ، که معمولاً توسط لایه های حلقوی تشخیص داده می شوند ، تقریباً ثابت شوند.

3 روش آزمایشی

در این کار ، ما عملکرد مدل های پیشرفته DL را برای پیش بینی قیمت BTC ، ETH و XRP ارزیابی می کنیم. مدل های DL ارزیابی شده توسط لایه های CNN ، LSTM ، BILSTM و متراکم تشکیل می شوند. جدول 1 مدل های DL ما را برای بهترین توپولوژی های شناسایی شده نشان می دهد. لازم به ذکر است که آزمایش های جامع و کاملی به منظور شناسایی توپولوژی DL که منجر به بهترین نتایج عملکرد می شوند ، انجام شد.

ما به یاد می آوریم که ایده اصلی استفاده از LSTM و BILSTM در مورد مشکلات پیش بینی قیمت Cryptocurrency ، این است که آنها ممکن است به دلیل طراحی معماری ویژه خود ، به عملکرد پیش بینی کمک کنند ، در حالی که لایه های حلقوی از پیش بینی آنها کمک می کند ، در حالی که لایه های حلقوی آن کمک می کنند. یک مدل CNN ممکن است سر و صدای داده های ورودی خام را فیلتر کرده و ویژگی های ارزشمندی را تولید کند که یک مجموعه داده کمتر پیچیده را تولید می کند که برای مدل پیش بینی نهایی مفیدتر است [9]. بنابراین ، ما انتظار داریم که با ترکیب این مدل های پیشرفته در مقایسه با الگوریتم های یادگیری ماشین کلاسیک ، عملکرد قابل توجهی حاصل شود.

علاوه بر این ، عملکرد مدل های DL در برابر مدل های سنتی ML ML مقایسه شد: پشتیبانی رگرسیون وکتور پشتیبانی (SVR) [4] ، همسایگان 3-بیشتر (3NN) [1] و رگرسور درخت تصمیم گیری (DTR) [10]. کد اجرای در Python 3. 4 نوشته شده است در حالی که برای همه مدل های یادگیری عمیق ما از کتابخانه Keras و Theano به عنوان back-end استفاده کردیم در حالی که کتابخانه Scikit-Lea برای مدل های یادگیری ماشین استفاده می شد.

برای ارزیابی عملکرد رگرسیون مدلهای پیش بینی ، متداول ترین معیارهای اعتبار سنجی میانگین خطای مطلق (MAE) و خطای میانگین مربعات ریشه (RMSE) است. از آنجا که مشکل پیش بینی قیمت cryptocurrency می تواند یک مشکل رگرسیون در نظر گرفته شود ، در آزمایشات ما از این دو معیار ارزیابی استفاده کردیم. با این وجود ، ما فقط نمره RMSE را در این مطالعه گنجانده ایم ، زیرا نمره MAE تقریباً با RMSE رفتار یکسانی داشت. علاوه بر این ، با مقایسه قیمت های پیش بینی شده مدل های ما ، با مدل های واقعی ، ما توانستیم دقت طبقه بندی پیش بینی جهت حرکت قیمت را محاسبه کنیم (اگر قیمت افزایش یابد یا کاهش یابد). بنابراین ، ما از دو معیار عملکرد اضافی استفاده کردیم: دقت (ACC) و (F_1 ) -Score ( (F_1 )).

3. 1 مجموعه داده

برای هدف از این تحقیق ، ما از داده های ژانوی ه-2018 تا او ت-2019 استفاده کردیم ، در مورد قیمت های ساعتی در دلار و به مجموعه آموزش متشکل از داده های ژانوی ه-2018 تا فوری ه-2019 (10176 مقادیر) و آزمایش از مجموعه داده شد. مارس 2019 تا او ت-2019 (4416 مقادیر). این داده ها از وب سایت www. kraken.com گرفته شده است ، که یک بستر معاملاتی برای مبادلات cryptocurrency است. همچنین ، ما از چهار افق پیش بینی F (تعداد قیمت های گذشته در نظر گرفته شده) ، یعنی 4 ، 9 ، 12 و 16 ساعت استفاده کردیم ، در حالی که در این مطالعه فقط نتایج افق 4 و 9 ساعت را ارائه می دهیم ، زیرا برای افق بزرگتر آنکاهش عملکرد مشخص شد. گزارش گسترده ای که شامل تمام نتایج آزمایشی است می توان در [14] یافت.

3. 2 نتایج تجربی

جداول 2 و 3 نتایج تجربی مدل های DL ما را ارائه می دهد. مدلهای CNN-LSTM و CNN-BILSTM بهترین عملکرد کلی را در بین تمام مدلهای پیش بینی به نمایش گذاشتند. به طور خاص ، CNN-LSTM بالاترین عملکرد RMSE را برای همه مجموعه داده ها برای هر افق پیش بینی در مقایسه با سایر مدلهای DL به نمایش گذاشت ، در حالی که CNN-BILSTM در بیشتر موارد بهترین ACC و (F_1 ) را به نمایش گذاشت. با این وجود ، تغییرات عملکرد برای همه مدل های DL حداقل به نظر می رسد. مدل 3NN بالاترین عملکرد RMSE را برای پیش بینی افق 4 در بین تمام مدل های ML در مجموعه داده های BTC و ETH گزارش داد ، در حالی که DTR بالاترین RMSE را در XRP به نمایش گذاشت. برای پیش بینی Horizon 9 ، DTR از تمام مدل های ML برای همه مجموعه داده ها ، با توجه به نمره RMSE بهتر عمل می کند. علاوه بر این ، مدل 3NN تقریباً در همه موارد موفق به دستیابی به بهترین عملکرد کلی در نمره ACC شد. به طور خلاصه ، به نظر می رسد مدلهای پیشرفته DL کمی بهتر از مدل های ML هستند در حالی که آنها نتوانستند در مقایسه با مدل های ML ما به افزایش عملکرد قابل توجه برسند.

3. 3 ارزیابی قابلیت اطمینان پیش بینی

در دنباله ، ما با انجام آزمایش همبستگی در باقیمانده ، قابلیت اطمینان پیش بینی مدل های پیش بینی پیشنهادی را ارزیابی می کنیم [11]. این آزمایش وجود همبستگی بین باقیمانده ها (تفاوت بین مقادیر پیش بینی شده و واقعی) را بررسی می کند. در صورت وجود همبستگی ، ممکن است مدل پیش بینی ناکارآمد باشد زیرا نتوانسته است تمام اطلاعات ممکن را که در داده ها نهفته است ضبط کند. برای این منظور ، ما تست همبستگی را به باقیمانده ها انجام می دهیم تا قابلیت اطمینان CNN-BILSTM برای (F = 4 ) ، CNN-LSTM برای (F = 4 ) و CNN-bilstm برای (F= 9 ) که به ترتیب بهترین عملکرد کلی را برای BTC ، ETH و XRP ارائه داد.

توطئه های ACF در باقیمانده برای BTC با استفاده از CNN-bilstm برای (f = 4 ) (شکل رنگ آنلاین)

توطئه های ACF در باقیمانده برای مجموعه داده های ETH با استفاده از CNN-LSTM برای (f = 4 ) (شکل رنگ آنلاین)

شکل 1 ، 2 و 3 به ترتیب عملکرد همبستگی خودکار (ACF) مدل های انتخاب شده برای BTC ، ETH و XRP را ارائه می دهند. توجه کنید که محدودیت های اعتماد به نفس (خط شکسته آبی) با فرض اینکه باقیمانده ها از توزیع احتمال گاوسی پیروی می کنند ، ساخته شده اند. بدیهی است ، همه توطئه های ACF نشان می دهد که برخی از ضرایب همبستگی در محدوده اطمینان (خطوط متراکم) نبودند و فرض عدم همبستگی خودکار در خطاها را نقض می کردند. به طور خاص ، تفسیر انجیر. 1 و 2 وجود دارد که سنبله های قابل توجهی در تاخیر 1 و 2 وجود دارد در حالی که تفسیر شکل 3 نشان می دهد که سنبله های کوچک در تاخیر 1 ، 2 ، 6 ، 7 و 10 وجود دارد. بنابراین ، وجود همبستگی نشان می دهد که پیشرفته DLمدل ها برای پیش بینی کننده های قیمت رمزنگاری غیرقابل اعتماد هستند زیرا برخی از اطلاعات مهم باقی مانده وجود دارد که باید برای به دست آوردن پیش بینی های بهتر در نظر گرفته شود.

توطئه های ACF در باقیمانده برای مجموعه داده XRP با استفاده از c- bilstm برای (f = 9 ) (شکل رنگ آنلاین)

4. بحث

به دنبال آزمایشات ما ، این بخش در ارائه یک بحث کامل و به اندازه کافی مفصل در مورد یافته های ما با توجه به سه سؤال تحقیق از پیش تعریف شده اختصاص داده شده است: آیا الگوریتم های یادگیری عمیق می توانند به طور مؤثر قیمت های cryptocurrency را پیش بینی کنند؟آیا قیمت cryptocurrency یک روند پیاده روی تصادفی است؟کدام یک روش اعتبار سنجی مناسب مدلهای پیش بینی قیمت رمزنگاری است؟

4. 1 آیا یادگیری عمیق می تواند قیمت های رمزنگاری را به طور مؤثر پیش بینی کند؟

الگوریتم های یادگیری عمیق به عنوان قدرتمندترین و مؤثرترین روشها در تقریب طبقه بندی بسیار پیچیده و غیر خطی و مشکلات رگرسیون در نظر گرفته می شوند ، بنابراین انتظار می رود با ترکیب این مدل ها با استفاده از این مدل ها ، عملکرد قابل توجه حاصل شود. الگوریتم های یادگیری. با کمال تعجب ، نتایج ما نشان داد که الگوریتم های DL استفاده شده ، کمی از سایر الگوریتم های ML استفاده شده در آزمایشات ما بهتر است ، در حالی که در عوض افزایش عملکرد قابل توجه پیش بینی می شد. بنابراین ، تحقیق در مورد دلیل این اتفاق مهم است. برای این منظور ، ما دو دلیل ممکن را خلاصه می کنیم: مشکلی که ما سعی در حل آن داریم یک روند پیاده روی تصادفی یا بسیار نزدیک به آن است ، بنابراین هرگونه تلاش برای پیش بینی ممکن است از کیفیت پایین برخوردار باشد یا مشکل بسیار پیچیده است که حتی یادگیری عمیق پیشرفتهروشها نمی توانند هیچ الگویی را پیدا کنند که منجر به هرگونه پیش بینی قابل اعتماد شود. بنابراین ، روشهای پیشرفته تر ، تکنیک ها و استراتژی های نوآورانه مورد بررسی قرار می گیرد.

هنگامی که یک مشکل پیش بینی سری زمانی از یک فرآیند پیاده روی تصادفی پیروی می کند یا آنقدر پیچیده است که بیشتر مدل ها با آن به عنوان یک فرآیند تصادفی روبرو می شوند ، بنابراین روش کارآمدتر برای مواجهه با آن ، اشتغال مقادیر فعلی به عنوان مقادیر پیش بینی برای حالت بعدی است [11]این دقیقاً همان کاری است که یک مدل پایداری انجام می دهد و شاید آنچه اکثر مدل های پیش بینی واقعاً انجام می دهند و احتمالاً به همین دلیل است که مدل های ML مورد استفاده در آزمایشات ما تقریباً به همان نمره عملکرد در مقایسه با مدلهای یادگیری عمیق مورد استفاده در آزمایشات ما می رسند. در مقابل ، مدل های یادگیری عمیق ممکن است بر اساس الگوهای ردیابی شده پیش بینی کنند و در نتیجه قادر به دستیابی به عملکرد بالا نیستند زیرا یا این الگوها نادرست هستند یا به دلیل وجود چنین الگوهای وجود ندارد ، در صورتی که پیش بینی قیمت رمزنگاریمشکل یک روند پیاده روی تصادفی است.

با این وجود ، همانطور که قبلاً ذکر شد ، مدل های DL نتوانستند در آزمایشات ما به یک نمره عملکرد قابل توجه دست یابند ، زیرا نمره آنها تقریباً با مدل های ML یکسان بود. بنابراین ، نتیجه می گیریم که این مدل های DL پیشرفته نمی توانند به طور مؤثر قیمت های رمزنگاری را پیش بینی کنند زیرا مجموعه داده های استفاده شده با فرم خاص که ما آنها را به مدلهای پیش بینی خود "تغذیه" می کنیم ، احتمالاً تقریباً یک روند پیاده روی تصادفی را دنبال می کنند و بنابراین اطلاعات کافی روی آنها نهفته است. برای انجام پیش بینی های آینده دقیق و قابل اعتماد.

4. 2 آیا قیمت cryptocurrency یک روند پیاده روی تصادفی است؟

به سمت ساخت مدلی که پیش بینی های قابل اعتماد و دقیقی را انجام می دهد ، در مرحله اول ، ما باید تشخیص دهیم که آیا مشکل پیش بینی قیمت رمزنگاری یک روند پیاده روی تصادفی است. در یک مطالعه جدید ، Stavroyiais و همکاران.[18] ثابت کرد که قیمت بیت کوین از یک روند پیاده روی تصادفی پیروی می کند زیرا آزمایشات آنها وجود ریشه های واحد را نشان داد ، برای چندین بازه زمانی از 1 دقیقه تا 180 دقیقه ، و بنابراین فرصت های تجاری سودآور قابل اعتماد ممکن است در بازارهای بیت کوین امکان پذیر نباشد. با این حال ، از آنجا که این مشکل در اثر تکامل زمان و تغییرات خارجی بسیار تحت تأثیر قرار می گیرد ، این نتایج ممکن است در آینده موقتی و معکوس باشد.

با این حال ، استراتژی های فنی بیشماری وجود دارد که اکثر معامله گران حرفه ای برای تصمیم گیری در مورد معاملات در بورس و سرمایه گذاری های رمزنگاری شده از آن استفاده می کنند. به نظر می رسد بیشتر آنها استراتژی های اکتشافی و تجربی هستند که مبتنی بر شاخص ها و الگوهای مختلف فنی مانند "الگوی درگیر" و "ستاره عصر" است. یک مطالعه جدید از آن شاخص های فنی و استراتژی های الگوهای معاملاتی به منظور پیش بینی بازار سهام و قیمت های رمزنگاری شده استفاده کرده است [7]. نتایج آنها شواهدی را ارائه می دهد که استراتژی های تحلیل فنی دارای قدرت پیش بینی قوی هستند و بنابراین می توانند در بازارهای رمزنگاری مانند بیت کوین مفید باشند.

بنابراین ، نتیجه می گیریم که قیمت های رمزنگاری به طور کلی کاملاً یک روند پیاده روی تصادفی نیستند اما ممکن است نزدیک به آن باشند ، به این معنی که احتمالاً برخی از الگوهای واقعی در داده های تاریخی وجود دارد که می توانند در تلاش های پیش بینی کمک کنند. به عبارت دیگر ، ما این مشکل را به عنوان "دریا عظیم از نقاط پیاده روی تصادفی که در آن جزایر مخفی کوچک (الگوهای) وجود دارد" تشبیه می کنیم. در نتیجه ، تحقیقات بیشتری برای کشف روشهای جایگزین ، نوآورانه و پیشرفته تر مانند ترکیب استراتژی های جدید مهندسی ویژگی و ایجاد روش های جدید الگوریتمی و گروهی لازم است.

4. 3 روش اعتبار سنجی مناسب مدل های پیش بینی قیمت cryptocurrency چیست؟

همانطور که در بالا ذکر شد ، متداول ترین معیارهای اعتبار سنجی برای اندازه گیری عملکرد اکثر الگوریتم های رگرسیون MAE و RMSE هستند. با این حال ، یافتن یک متریک اعتبار سنجی مناسب برای مدل های پیش بینی قیمت cryptocurrency می تواند یک کار بسیار پیچیده و مشکل باشد و نمی تواند یک فرآیند آسان و ساده در نظر گرفته شود. MAE و RMSE ممکن است روشی ناقص برای اعتبارسنجی مشکلات پیش بینی قیمت رمزنگاری ایجاد کنند زیرا یک مدل پیش بینی ممکن است عملکرد عالی MAE و RMSE داشته باشد اما نمی تواند به درستی پیش بینی حرکت قیمت Cryptocurrency را پیش بینی کند (مشکل طبقه بندی). یک معامله گر یا سرمایه گذار cryptocurrency ممکن است بیشتر به جای دانستن قیمت دقیق رمزنگاری آینده ، به حرکت جهت قیمت آینده علاقه مند باشد. تجزیه و تحلیل سودآوری برای استراتژی های تجارت الگوریتمی نشان می دهد که مدل های پیش بینی طبقه بندی نسبت به مدل های رگرسیون مؤثرتر بودند [8].

حتی اگر از یک متریک ارزیابی سوم استفاده کنیم که دقت عملکرد حرکت جهت گیری قیمت cryptocurrency را اندازه گیری می کند ، که هنوز هم ممکن است یک روش ناقص برای اعتبارسنجی الگوریتم های پیش بینی رمزنگاری باشد. مثال زیر را در نظر بگیرید: فرض کنید ما می خواهیم 2 مدل پیش بینی cryptocurrency را با استفاده از یک مجموعه آزمون از 100 سؤال ، به عنوان مثال ، تأیید کنیم. حرکت آینده قیمت آینده در 100 مرحله بعدی چیست؟مدل اول پاسخ می دهد (پیش بینی می کند) تمام سؤالات در حالی که به درستی 52 سؤال در دستیابی به نمره دقت 52 ٪ پاسخ می دهد. مدل دوم فقط 5 از 100 سؤال پاسخ می دهد اما نمی تواند به 95 سؤال دیگر پاسخ دهد ، در حالی که این 5 پاسخ صحیح است. بنابراین ، مدل دوم به نمره 5 ٪ می رسد. بنابراین ، یک سؤال مهم مطرح می شود ، "بهترین مدل چیست"؟یک معامله گر یا سرمایه گذار cryptocurrency احتمالاً مدل دوم را انتخاب می کند زیرا به روشی قابل اطمینان تر عمل می کند و داشتن مدلی که پیش بینی های دقیقی را در زمان های تصادفی انجام می دهد (مشخص شده توسط مدل) برای او ارزشمندتر است. که پیش بینی های غیرقابل اعتماد را در هر لحظه انجام می دهد (مشخص شده توسط کاربر).

بنابراین ، نتیجه می گیریم که یافتن یک متریک اعتبار سنجی مناسب برای مدلهای پیش بینی قیمت cryptocurrency یک کار بسیار چالش برانگیز است و بنابراین روش های جایگزین و جدید برای ارزیابی مدلهای پیش بینی رمزنگاری ضروری است.

5 تجدید نظر در مورد مشکل

یکی از مهمترین اقدامات برای حل هر مشکلی ، به ویژه موارد واقعاً سخت و چالش برانگیز ، در یافتن یک رویکرد استراتژی مناسب و تأمین درک کامل از مسئله ای که ما برای حل آن تلاش می کنیم نهفته است. یک رویکرد استراتژی مناسب باید به سؤالاتی از قبیل پاسخ دهد: آیا باید قیمت ها ، جهت حرکت قیمت ، روند قیمت ، سنبله قیمت و غیره را پیش بینی کنیم. در مرحله بعد ، آیا باید از پیش پردازش داده ها و استراتژی های مهندسی ویژگی استفاده کنیم (به عنوان مثال برای آموزش کارآمد یک مدل پیش بینی ، از کدام ویژگی ها باید استفاده کنیم؟) همچنین ، بهترین مدل پیش بینی برای اعمال چیست (به عنوان مثال DNN ها ، سایر مدل های پیش بینی پیشرفته ، مدل های گروه و مدل های گروهبنابراین) و در آخر ، کدام یک روش مناسب برای اعتبارسنجی این مدل است؟همه این موضوعات ، که به عنوان مراحل گسسته در این فرآیند در نظر گرفته می شوند ، باید مورد توجه جدی قرار بگیرند زیرا هر یک از آنها می توانند به طور قابل توجهی در هرگونه تلاش پیش بینی به منظور تقریب کارآمد مشکل کمک کنند.

این مراحل یک فرایند ساده نیست ، زیرا ما همیشه باید ماهیت هرج و مرج و بسیار پیچیده آن را با توجه به سهم عملی آن پس از یک راه حل احتمالی در نظر بگیریم. به عنوان مثال ، ممکن است برای پیش بینی اینکه آیا قیمت فقط افزایش خواهد یافت یا کاهش می یابد (مشکل طبقه بندی برای پیش بینی حرکت جهت قیمت) به جای پیش بینی ارزش دقیق قیمت cryptocurrency ، ممکن است کار ساده تر و احتمالاً سودمندتر برای دنیای سرمایه گذاری و تجارت باشد. برخی از نمونه های رویکرد استراتژی به طور خلاصه در زیر ارائه شده است.

به جای اتخاذ یک بازه زمانی خاص ، می توان از فواصل زمانی مختلف مجموعه داده های تاریخی فرکانس بالاتر و پایین تر برای پیش بینی قیمت ها در یک بازه بعدی خاص به منظور استفاده و بهره برداری به روشی کارآمدتر استفاده کرد که یک مجموعه داده تاریخی ممکن است داشته باشد. وادیک رویکرد دیگر می تواند به جای پیش بینی قیمت یا جهت حرکت در یک ارزش گسسته در آینده ، پیش بینی میانگین و قیمت جهت حرکت یا قیمت اوج در یک قاب پنجره زمانی آینده باشد (این رویکرد بیشتر شبیه به یک مشکل پیش بینی روند است)واد

شناسایی و شناخت الگوی می تواند رویکرد دیگری باشد. این رویکرد بیشتر شبیه به یک چارچوب تشخیص الگوی است که در آن مدل می تواند مناطق الگوی خاص را به منظور انجام یک پیش بینی تشخیص دهد. به طور خاص ، اگر بتوانیم ویژگی های ویژگی الگوهای مفید ممکن را که یک مدل پیش بینی پیدا کرده است شناسایی کنیم ، می توانیم ورودی های توالی بی فایده ای را که هیچ اطلاعات پیش بینی کننده ای ندارند فیلتر کنیم و سپس فقط از ورودی های توالی مفید استفاده کنیم که احتمالاً به قابل اعتماد کمک می کند وپیش بینی های دقیقدر این حالت ، مدل پیش بینی فقط هنگامی که توالی ورودی با الگوهای انتخاب شده در همان دسته قرار می گیرد ، عملیات پیش بینی را انجام می دهد. این چارچوب بیشتر شبیه به روشی است که یک معامله گر حرفه ای اغلب عمل می کند ، که تصمیمات سرمایه گذاری را بر اساس الگوهای منتخب شخصی خود و دستور العمل های مربوط به تجزیه و تحلیل فنی نمودارهای قیمت تاریخی انجام می دهد.

سرانجام ، یک رویکرد دیگر می تواند بررسی الگوهای اکتشافی و سایر شاخص های مالی باشد که معامله گران حرفه ای و بانکداران در تجارت و تحلیل فنی مالی خود از آنها استفاده می کنند. شناسایی این روشها ضروری است که چگونه این روشها در واقع به پیش بینی ها و تصمیمات سرمایه گذاری به روشی ریاضی تر کمک می کنند (اگر در واقع کار کنند) و شاید این تکنیک ها را در یک چارچوب یادگیری ماشین برای توسعه مدلهای پیش بینی تعاونی بگنجانند. این می تواند یک چارچوب پیش بینی رمزنگاری مؤثر باشد.

6. نتیجه گیری

در این کار ، ما مدلهای DL پیشرفته را برای پیش بینی قیمت های رمزنگاری ارزیابی کردیم و همچنین سه سؤال تحقیقاتی در مورد این مشکل را در یک رویکرد بررسی و بحث بررسی کردیم. نتایج ما نشان داد که مدلهای ارائه شده پیش بینی کننده های قیمت رمزنگاری ناکارآمد و غیرقابل اعتماد هستند ، احتمالاً به این دلیل که این مشکل بسیار پیچیده است ، که حتی تکنیک های پیشرفته یادگیری عمیق مانند LSTM و CNN قادر به حل کارآمد نیستند. همچنین ، بر اساس نتایج تجربی و تحقیقات ما در مورد سؤالات تحقیق ما در مورد مشکل قیمت cryptocurrency ، نتیجه می گیریم که قیمت های رمزنگاری تقریباً یک فرآیند پیاده روی تصادفی را دنبال می کنند ، در حالی که احتمالاً چند الگوهای پنهان ممکن است در آن وجود داشته باشد ، جایی که یک چارچوب هوشمند باید آنها را به منظور شناسایی آنها شناسایی کند. یک مدل پیش بینی برای پیش بینی دقیق و قابل اعتماد. بنابراین ، روشهای جدید الگوریتمی پیشرفته ، رویکردهای جایگزین ، معیارهای اعتبار سنجی جدید باید مورد بررسی قرار گیرد.

سرانجام ، از آنجا که مجموعه داده های cryptocurrency از الگوهای سری زمانی معمولی پیروی می کنند ، ممکن است منطقی نتیجه بگیرند که سؤالات تحقیق در این کار مطرح می شود و اظهارات و پیشنهادات نتیجه گیری ما در مورد کلیه حوزه های کاربردی اعمال می شود که در آن مجموعه داده ها رفتار سری زمانی را نشان می دهند.

منابع

آها ، D. W: یادگیری تنبل. اسپرینگر ، هایدلبرگ (2013)

Aloysius ، N. ، Geetha ، M: بررسی در مورد شبکه های عصبی عمیق. در: کنفرانس بین المللی ارتباطات و پردازش سیگنال 2017 (ICCSP) ، صص 588-592. IEEE (2017)

Amjad ، M. ، شاه ، د: معاملات بیت کوین و پیش بینی سری زمانی آنلاین. در: کارگاه سری زمانی NIPS 2016 ، صص 1-15 (2017)

Deng ، N. ، Tian ، Y. ، Zhang ، C: Support Machines Vector: نظریه مبتنی بر بهینه سازی ، الگوریتم ها و پسوندها. چاپمن و هال/CRC ، بوکا راتون (2012)

اسماعیل فاواز ، H. ، جنگلیر ، G. ، وبر ، جی. ، Idoumghar ، L. ، Muller ، P.-A: یادگیری عمیق برای طبقه بندی سری زمانی: یک بررسی. داده هادانشدیسکوف33 (4) ، 917-963 (2019). https://doi.org/10. 1007/s10618-019-00619-1

Graves ، A: حافظه کوتاه مدت طولانی. در: Graves ، A. (ویرایش) برچسب زدن توالی نظارت بر شبکه های عصبی مکرر. SCI ، جلد. 385 ، صص 37-45. اسپرینگر ، هایدلبرگ (2012). https://doi.org/10. 1007/978-3-642-24797-2_4

Huang ، J. Z. ، Huang ، W. ، NI ، J: پیش بینی بازده بیت کوین با استفاده از شاخص های فنی با ابعاد بالا. J. Finan. داده های علمی5 (3) ، 140-155 (2019)

Ji ، S. ، Kim ، J. ، IM ، H: یک مطالعه مقایسه ای پیش بینی قیمت بیت کوین با استفاده از یادگیری عمیق. ریاضیات 7 (10) ، 898 (2019)

Livieris ، به عنوان مثال ، Pintelas ، E. ، Pintelas ، p: یک مدل CNN-LSTM برای پیش بینی سری قیمت طلا. رایانه عصبی. کاربرد(2020)

LOH ، W. Y: طبقه بندی و روش های درخت رگرسیون. Wiley Statsref: مرجع آماری آنلاین (2014)

Montgomery ، D. C. ، Jeings ، C. L. ، Kulahci ، M: مقدمه ای برای تجزیه و تحلیل سری زمانی و پیش بینی. ویلی ، هابوکن (2015)

Narayanan ، A. ، Boeau ، J. ، Felten ، E. ، Miller ، A. ، Goldfeder ، S: Bitcoin و Cryptocurrency Technologies: یک مقدمه جامع. انتشارات دانشگاه پرینستون ، پرینستون (2016)

Olvera-Juarez ، D. ، Huerta-Manzanilla ، E: پیش بینی قیمت گذاری بیت کوین با مدل های ترکیبی: بررسی ادبیات. int. J. Adv. مهندسresعلمی6 (9) ، 161-164 (2019)

Pintelas ، E. ، Livieris ، یعنی Stavroyiais ، S. ، Kotsilieris ، T. ، Pintelas ، P: سؤالات و پیشنهادات اساسی تحقیق در مورد پیش بینی قیمت های رمزنگاری با استفاده از DNN. گزارش فنی ، TR20-01 ، دانشگاه پاتراس (2020)

Schuster ، M. ، Paliwal ، K. K: شبکه های عصبی مکرر دو طرفه. IEEE ترانس. روند سیگنال. 45 (11) ، 2673 2681 (1997)

Shintate ، T. ، Pichl ، L: طبقه بندی پیش بینی روند برای سری زمانی بیت کوین با فرکانس بالا با یادگیری عمیق. J. Risk Finan. مدیر. 12 (1) ، 17 (2019)

سیامی-نامینی ، س. ، تاواكولی ، ن. ، نامین ، ع. در: هفدهمین کنفرانس بین المللی IEEE در مورد یادگیری ماشین و برنامه های کاربردی (ICMLA) ، صص 1394-1401. IEEE (2018)

Stavroyiais ، S. ، Babalos ، V. ، Bekiros ، S. ، Lahmiri ، S. ، Uddin ، G. S: خواص چند فرکانس فرکانس بالا بیت کوین. فیزیکپاسخ: آمار. مکانیککاربرد520 ، 62-71 (2019)

اطلاعات نویسنده

نویسندگان و وابستگی ها

گروه ریاضیات ، دانشگاه پاتراس ، پاتراس ، یونان

امانوئل پینتلاس ، Ioais E. Livieris & Panagiotis Pintelas

گروه مدیریت بازرگانی ، دانشگاه Pelopoese ، Antikalamos ، یونان

Ioais E. Livieris & Theodore Kotsilieris

گروه حسابداری و دارایی ، دانشگاه Pelopoese ، Antikalamos ، یونان

1. امانوئل پینتلاس

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

نویسنده متناظر

اطلاعات ویرایشگر

ویراستاران و وابستگی ها

گروه سیستم های دیجیتال ، دانشگاه پیرائوس ، پیرائوس ، یونان

دکتر ایلیاس مگلوگیانیس

گروه مهندسی عمران ، آزمایشگاه ریاضیات و انفورماتیک (ISCE) ، دانشگاه دموکراتوس ترام

پروفسور لازاروس ایلیادیس

گروه علوم کامپیوتر و فناوری های خلاق ، دانشگاه غرب انگلیس ، بریستول ، انگلیس

دکتر الیاس پیمنیدیس

حقوق و مجوزها

اطلاعات حق چاپ

© 2020 فدراسیون بین المللی IFIP برای پردازش اطلاعات

در مورد این مقاله

این مقاله را ذکر کنید

Pintelas ، E. ، Livieris ، یعنی Stavroyiais ، S. ، Kotsilieris ، T. ، Pintelas ، P. (2020). بررسی مشکل پیش بینی قیمت cryptocurrency: یک رویکرد یادگیری عمیق. در: Maglogiais ، I. ، Iliadis ، L. ، Pimenidis ، E. (eds) برنامه های هوش مصنوعی و نوآوری ها. AIAI 2020. IFIP پیشرفت در فناوری اطلاعات و ارتباطات ، جلد 584. Springer ، Cham. https://doi.org/10. 1007/978-3-030-49186-4_9

استناد را بارگیری کنید

منتشر شده: 29 مه 2020

نام ناشر: اسپرینگر ، چم

چاپ ISBN: 978-3-030-49185-7

ISBN آنلاین: 978-3-030-49186-4

این مقاله را به اشتراک بگذارید

هرکسی که لینک زیر را با آن به اشتراک بگذارید قادر به خواندن این محتوا خواهد بود: