پیش بینی بازده قیمت cryptocurrency با استفاده از مدل یادگیری عمیق شاخص های تحلیل فنی

در طی چند سال گذشته ، ارزهای رمزنگاری شده به یک ارز ارز جایگزین جدید برای اقتصاد جهانی تبدیل شده اند. با توجه به نوسانات زیاد در قیمت های ارزهای رمزنگاری شده ، پیش بینی حرکات قیمت یک چالش بسیار پیچیده در دنیای دارایی محسوب می شود. شاخص های تجزیه و تحلیل فنی یکی از ابزارهای پیش بینی است که توسط تحلیلگران به طور گسترده ای استفاده می شود. این شاخص ها ، که از قیمت ها و حجم های تاریخی مورد بررسی قرار می گیرند ، ممکن است اطلاعات مفیدی در مورد پویایی قیمت در بازار داشته باشند. در همین حال ، با پیشرفت های جدید در تکنیک های هوش مصنوعی ، مانند حافظه کوتاه مدت بلند مدت (LSTM) ، که قادر به حفظ وابستگی های طولانی مدت است. کاربرد گسترده ای از شبکه های عصبی عمیق برای پیش بینی سری زمانی غیر ایستگاه و غیرخطی وجود دارد. این مطالعه با استفاده از یک شبکه عصبی چند ورودی LSTM برای بررسی قدرت پیش بینی تاخیر شاخص های تحلیل فنی ، یک روش پیش بینی برای ارزهای رمزنگاری شده را ارائه می دهد. بیت کوین (BTC) ، Ethereum (ETH) و Ripple (XRP) که بالاترین سرمایه بازار را دارند. نتایج نشان می دهد که روش پیشنهادی به سرمایه گذاران کمک می کند تا با بهبود چشمگیر دقت پیش بینی در برابر پیاده روی تصادفی در حداکثر زمان معاملات داده های BTC ، ETH و XRP ، تصمیمات قابل اطمینان تری بگیرند.

کلید واژه ها

• رمز رمز
• مدل یادگیری عمیق
• پیاده روی تصادفی

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های خرید

29. 95 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب الکترونیکی 128. 39 یورو شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب گالینگور 159. 99 یورو از مالیات بر ارزش افزوده (فدراسیون روسیه) مستثنی است

منابع

• Brock ، W. A. ، & de Lima ، P. J. (1996). 11 سری زمانی غیرخطی ، تئوری پیچیدگی و امور مالی. کتابچه راهنمای آمار ، 14 ، 317-361. CrossRefGoogle Scholar
• Chen ، Y. J. ، Chen ، Y. M. ، Tsao ، S. T. ، & Hsieh ، S. F. (2018). یک روش جدید مبتنی بر تجزیه و تحلیل فنی برای پیش بینی بازار سهام. محاسبات نرم ، 22 (4) ، 1295-1312. CrossRefGoogle Scholar
• Chortareas ، G. E. ، Garza-Garcia ، J. G. ، & Girardone ، C. (2011). عملکرد بخش بانکی در آمریکای لاتین: قدرت بازار در مقابل کارآیی. بررسی اقتصاد توسعه ، 15 (2) ، 307-325. CrossRefGoogle Scholar
• De Souza ، M. J. S. ، Ramos ، D. G. F. ، Pena ، M. G. ، Sobreiro ، V. A. ، & Kimura ، H. (2018). بررسی سودآوری تجزیه و تحلیل فنی بر اساس حرکت متوسط استراتژی در BRICS. نوآوری مالی ، 4 (1) ، 1-18. CrossRefGoogle Scholar
• Derbentsev ، V. ، Matviychuk ، A. ، Soloviev ، V. N. (2020). پیش بینی قیمت cryptocurrency با استفاده از یادگیری ماشین. در مطالعات پیشرفته فن آوری های مالی و بازارهای رمزنگاری (صص 211-231). اسپرینگر ،. گوگل دانشکده
• Draxler ، J. ، & Siebenhofer ، M. (2014). verfahrenstechnik در Beispielen: مشکل استیلونژن ، Lösungsansätze. Springer-Verlag. CrossRefGoogle Scholar
• Dwyer ، G. P. (2015). اقتصاد بیت کوین و ارزهای دیجیتال خصوصی مشابه. مجله ثبات مالی ، 17 ، 81-91. CrossRefGoogle Scholar
• Fama ، E. F. (1965). رفتار قیمت بازار سهام. مجله تجارت ، 38 (1) ، 34-105. CrossRefGoogle Scholar
• Ferdiansyah ، F. ، Othman ، S. H. ، Radzi ، R. Z. R. M. ، Stiawan ، D. ، Sazaki ، Y. ، Ependi ، U. (2019 ، اکتبر). یک روش LSTM برای پیش بینی قیمت بیت کوین: یک مطالعه موردی بازار سهام مالی یاهو. در کنفرانس بین المللی 2019 مهندسی برق و علوم کامپیوتر (ICECOS) (صص 206-210). IEEEگوگل دانشکده
• Granville ، P. S. (1976). یک قانون اصلاح شده از بیداری برای لایه های برشی آشفته. مجله ASME مهندسی مایعات ، 98 ، 578-580. CrossRefGoogle Scholar
• Hong ، Y. Y. ، Wan ، C. ، No ، S. ، & Chiu ، C. Y. (2007). هویت چند فرهنگی. گوگل دانشکده
• Kirkpatrick ، C. D. ، II ، & Dahlquist ، J. A. (2010). تجزیه و تحلیل فنی: منبع کامل تکنسین های بازار مالی. FT Press. گوگل دانشکده
• Kuang ، P. ، Schröder ، M. ، & Wang ، Q. (2014). سودآوری توهم تجزیه و تحلیل فنی در بازارهای در حال ظهور ارز. مجله بین المللی پیش بینی ، 30 (2) ، 192-205. CrossRefGoogle Scholar
• Lahmiri ، S. (2014). مطالعه تطبیقی سیگنال ECG توسط آستانه موجک در حوزه های تجزیه حالت تجربی و متغیر. نامه های فناوری بهداشت ، 1 (3) ، 104-109. CrossRefGoogle Scholar
• Li ، L. ، Arab ، A. ، Liu ، J. ، Liu ، J. ، Han ، Z. (2019 ، ژوئیه). قیمت گذاری گزینه های بیت کوین با استفاده از مدل پیش بینی مبتنی بر LSTM و آمار blockchain. در سال 2019 کنفرانس بین المللی IEEE در مورد blockchain (blockchain) (صص 67-74). IEEEگوگل دانشکده
• Livieris ، I. E. ، Pintelas ، E. ، Stavroyiannis ، S. ، & Pintelas ، P. (2020). مدل های یادگیری عمیق برای پیش بینی سری زمان رمزنگاری. الگوریتم ها ، 13 (5) ، 121. Crossrefgoogle Scholar
• Ma ، Y. ، Yang ، B. ، & Su ، Y. (2020). شاخص معاملات فنی ، پیش بینی بازگشت و نوسانات احمقانه. بررسی بین المللی اقتصاد و دارایی ، 69 ، 879-900. CrossRefGoogle Scholar
• Patel ، M. M. ، Tanwar ، S. ، Gupta ، R. ، & Kumar ، N. (2020). یک طرح پیش بینی قیمت رمزنگاری مبتنی بر یادگیری عمیق برای موسسات مالی. مجله امنیت و برنامه های کاربردی اطلاعات ، 55 ، 102583. Crossrefgoogle Scholar
• Pathirawasam ، C. (2011). عوامل داخلی که عملکرد مالی بنگاه ها را تعیین می کنند: با اشاره ویژه به تمرکز مالکیت. نوآوری و مدیریت دانش: یک مزیت رقابتی جهانی ، 1 ، 4. Google Scholar
• Radityo ، A. ، Munajat ، Q. ، Budi ، I. (2017 ، اکتبر). پیش بینی نرخ ارز بیت کوین به دلار آمریکا با استفاده از روشهای شبکه عصبی مصنوعی. در کنفرانس بین المللی سال 2017 در مورد علوم و سیستم های اطلاعاتی پیشرفته کامپیوتر (ICACSIS) (صص 433-438). IEEEگوگل دانشکده
• Tanwar ، S. ، Patel ، N. P. ، Patel ، S. N. ، Patel ، J. R. ، Sharma ، G. ، & Davidson ، I. E. (2021). طرح پیش بینی قیمت رمزنگاری مبتنی بر یادگیری عمیق با روابط بین وابسته. دسترسی IEEE ، 9 ، 138633-138646. CrossRefGoogle Scholar
• وایلدر ، D. A. (1978). کاهش تبعیض بین گروهی از طریق فرد بودن گروه خارج. مجله شخصیت و روانشناسی اجتماعی ، 36 (12) ، 1361. Crossrefgoogle Scholar
• Wu ، C. H. ، Lu ، C. C. ، Ma ، Y. F. ، Lu ، R. S. (2018 ، نوامبر). یک چارچوب پیش بینی جدید برای قیمت بیت کوین با LSTM. در سال 2018 کنفرانس بین المللی IEEE در مورد کارگاه های داده کاوی (ICDMW) (صص 168-175). IEEEگوگل دانشکده

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. گروه بانکی و دارایی ، دانشگاه مدیترانه شرقی ، فاماگوستا ، قبرس شمالی از طریق مرسین 10 ، ترکیه نگار فاضلله و سعید ابراهیمیجام

1. فازلیله