پیش بینی سری زمانی مداوم فوق العاده کوتاه از cryptocurrency مبتنی بر blockchain با استفاده از LSTM در دوران بزرگ داده

1 و

گروه مهندسی کامپیوتر ، دانشگاه ملی ججو ، JEJU 63243 ، کره

گروه مهندسی کامپیوتر ، عمده مهندسی الکترونیکی ، انستیتوی علوم و فناوری اطلاعات ، دانشگاه ملی ججو ، JEJU 63243 ، کره

نویسنده ای که مسئول است باید ذکر شود. کاربردعلمی2022 ، 12 (21) ، 11080 ؛https://doi. org/10. 3390/APP122111080

دریافت: 21 سپتامبر 2022 / اصلاح شده: 28 اکتبر 2022 / پذیرفته شده: 29 اکتبر 2022 / منتشر شده: 1 نوامبر 2022

خلاصه

:

این مطالعه با استفاده از API Upbit ، یکی از مبادلات رمزنگاری کره ، برای پیش بینی سری زمانی مداوم برای یک دوره محدود و ارزهای رمزنگاری شده با استفاده از LSTM ، یک تکنیک یادگیری ماشین. الگوریتم نقطه تجارت (خرید و فروش) ارائه شده در این مطالعه برای انجام تحقیقات تجربی در مورد ایجاد سود کارآمد برای سرمایه گذاری cryptocurrency استفاده شد. چندین مطالعه مرتبط نتایج پیش بینی سری زمانی را برای پیش بینی های بلند مدت ، مانند یک هفته یا چند ماه نشان داده اند. با این وجود ، آنها سعی نکرده اند پیش بینی فوق العاده کوتاه را در واحدهای یک دقیقه انجام دهند. در این مقاله چنین پیش بینی 1 دقیقه ای انجام شده است. این یک آزمایش برای ایجاد سودهای کارآمد با تعیین امتیازات تجارت کارآمد (خرید و فروش) با استفاده از تکنیک های یادگیری ماشین و تکرار این عملیات توسط یک الگوریتم است. استفاده از آن در cryptocurrency امکان پیش بینی سری زمانی را نشان می دهد.

کلید واژه ها:

1. معرفی

اگرچه اخیراً بازار جهانی اقتصادی به دلیل COVID-19 کند شده است ، اما بازار blockchain و cryptocurrency به عنوان بخشی از چهارمین انقلاب صنعتی به سرعت در حال رشد است. علاوه بر این ، با کاهش نرخ بهره به دلیل رشد آهسته بازار اقتصادی جهانی ، آماده سازی برای بازنشستگی یا جمع آوری بودجه از طریق سپرده های بانکی ، سرمایه گذاری در محصولات مختلف مالی از جمله سهام و ارزهای رمزنگاری شده به سرعت در حال افزایش است.

در بازار سهام ، قیمت نتیجه بازتاب تمام اطلاعات موجود در بازار است. مطالعات زیادی برای پیش بینی شاخص سهام با استفاده از تکنیک های مختلف اقتصادی و تجزیه و تحلیل نمودارها پس از کشف الگوهای قیمت با استفاده از نوسانات قیمت سهام انجام شده است [1]. با این حال ، در بورس سهام ، نوسانات قیمت سهام غالباً غیر قابل توضیح به دلیل مکانیسم قیمت گذاری است ، که در آن ارتباطات عوامل داخلی و خارجی یک شرکت به طور قابل توجهی بر تشکیل قیمت سهام تأثیر می گذارد. بنابراین ، روشی که می تواند هم برای پیش بینی بازار سهام ، تغییرات داخلی در بازار و رویدادهای خارجی را منعکس کند. به عبارت دیگر ، از آنجا که بورس سهام به شاخص های فنی و کلان اقتصادی و طیف گسترده ای از اخبار و قیمت ها پاسخ می دهد ، تحقیقات برای پیش بینی قیمت سهام با استفاده از داده های بزرگ در حال حاضر در حال انجام است [2].

تجزیه و تحلیل فنی رویکردی برای پیش بینی جهت آینده قیمت سهام با تجزیه و تحلیل شاخص های گذشته مانند قیمت سهام و حجم معاملات است. از آنجا که قیمت سهام با روند در حال حرکت است ، از شاخص های فنی برای شناسایی روندها و پیشنهاد استراتژی های مناسب برای سرمایه گذاری استفاده می شود. شاخص های فنی به شاخص های روند و شاخص های روند معکوس تقسیم می شوند. یک رویکرد گرایش به دست آوردن سود با ورود به موقعیت خرید یا فروش در جهت روند ، با قضاوت این است که وقتی یک روند بالاتر از یک سطح خاص در قیمت سهام اتفاق می افتد ، این حرکت بیشتر ادامه خواهد یافت. از طرف دیگر ، استراتژی روند معکوس یک استراتژی است که با پیدا کردن نقطه ای که انتظار می رود قیمت سهام بدون ادامه حرکت ، مسیر را تغییر دهد ، از طریق تجارت در جهت مخالف روند به دنبال سود است زیرا قیمت سهام به اندازه کافی افزایش می یابد یا کاهش می یابد.

رویکردهای استراتژی سرمایه گذاری در بورس سهام در درجه اول به تجزیه و تحلیل های اساسی و فنی تقسیم می شوند. تجزیه و تحلیل بنیادی روشی برای سرمایه گذاری با برآورد ارزش ذاتی قیمت سهام و مقایسه آن با قیمت معاملاتی در بازار است. در عین حال ، تجزیه و تحلیل فنی روشی برای سرمایه گذاری با تجزیه و تحلیل قیمت گذشته یا حرکات حجم است. یک سیستم معاملاتی مجموعه ای از سیستم های خودکار است که اطلاعات بازار ، مانند قیمت سهام و حجم معاملات را در زمان واقعی با استفاده از رایانه و اجرای سفارشات معاملاتی از طریق الگوریتم استراتژی سرمایه گذاری تجزیه و تحلیل می کند [3].

تجزیه و تحلیل قیمت cryptocurrency یک منطقه تحقیقاتی پیچیده و چالش برانگیز در تجزیه و تحلیل سری زمانی است. با این حال ، در این مطالعه ، ما پیشنهاد و تلاش می کنیم تا سودآوری یک سیستم معاملاتی را برای بیت کوین و اتریوم که دارای نوسانات قیمت بالایی و نقدینگی هستند ، تجزیه و تحلیل کنیم. پیچیدگی و دشواری آن امکان پیش بینی های مهم سری زمانی رمزنگاری را فراهم می کند. چنین پیش بینی سری زمانی ایجاد پیش بینی در مورد برخی از وقایع یا رویدادهای آینده با تجزیه و تحلیل داده های تاریخی است. این به طبقه بندی زمانی میان مدت و بلند مدت تقسیم می شود.

بنابراین ، در این مطالعه ، ما قصد داریم پیش بینی های سری زمانی را برای بیت کوین و اتریوم فقط با یک دوره فوق العاده کوتاه (1 دقیقه) با استفاده از LSTM انجام دهیم. این تجزیه و تحلیل سری زمانی از ارزهای رمزنگاری شده نیز رویکردی برای پیش بینی قیمت های آینده با تجزیه و تحلیل شاخص ها ، مانند قیمت معاملات گذشته و حجم معاملات ، دقیقاً مانند تجزیه و تحلیل فنی اعمال شده برای ارزهای رمزنگاری شده است. ما می خواهیم از پیش بینی دقیقه به دقیقه استفاده کنیم.

2. مطالعه پس زمینه نظری

2. 1blockchain و cryptocurrency

Cryptocurrency یک کلمه مرکب از رمزنگاری است ، به معنی "رمزگذاری" و ارز به معنای "پول" است. "این یک دارایی دیجیتالی است که می تواند تأیید شود ، و همچنین" ارز مجازی "،" ارز دیجیتال "یا" پول الکترونیکی "نیز نامیده می شود. بشراین ارزهای رمزنگاری شده بر روی یک دفترچه توزیع شده بر اساس یک blockchain یا نمودار Acyclic (DAG) کار می کنند.

بیت کوین یک cryptocurrency است که بر اساس فناوری blockchain ساخته شده است که در اکتبر 2008 توسط یک برنامه نویس تحت نام مستعار Satoshi Nakamoto ایجاد شده است ، که هویت آن ناشناخته است. این طراحی به گونه ای طراحی شده است که معاملات مالی ، مانند حواله ها ، می تواند بین افراد به صورت همسالان (P2P) در سراسر جهان بدون بانک مرکزی انجام شود [4].

مبادله cryptocurrency یا مبادله ارز دیجیتال مبادله ای است که در آن کاربران می توانند ارزهای رمزپایه مانند بیت کوین و اتریوم را مبادله کنند و روش عملکرد مانند بورس اوراق بهادار است.

علاوه بر این ، فناوری blockchain یک فناوری نماینده برای جلوگیری از هک کردن ارزهای رمزنگاری شده است. این blockchain برای معاملات P2P فراتر از سیستم مالی موجود است که کلیه معاملات را در موسسات مالی تضمین و مدیریت می کند. P2P یک شبکه ارتباطی است که رایانه های شخصی را بدون سرور یا مشتری وصل می کند. این راهی برای ایفای نقش و به اشتراک گذاری اطلاعات است.

شرکت های مالی سوابق معامله را در سیستم مالی موجود در یک سرور مرکزی نگه داشته اند. در مقابل ، در یک روش P2P مبتنی بر blockchain ، اطلاعات معاملات در بلوک ها ذخیره می شود ، متصل و توسط همه شرکت کنندگان به اشتراک گذاشته می شود. بسیاری از ارزهای رمزنگاری شده ، مانند بیت کوین و اتریوم ، فناوری blockchain را نشان می دهند. بیت کوین برای اولین بار در مقاله ای با عنوان "بیت کوین: یک سیستم نقدی الکترونیکی همتا به همتا" ظاهر شد ، که در اکتبر 2008 توسط یک برنامه نویس (یا گروهی) به نام Satoshi Nakamoto به صورت آنلاین منتشر شد. براساس این مقاله ، بیت کوین به عنوان واکنشی برای سیستم بانک مرکزی هر کشور و سیاست پولی خودسرانه انحصار صدور پول طراحی شده است.

2. 2LSTM

مدلهای حافظه کوتاه مدت طولانی مدت (LSTM) [5،6،7] نوعی از شبکه عصبی مکرر (RNN) است و الگوریتمی است که اخیراً در کنار شبکه های عصبی حلقوی (CNN) در کانون توجه قرار گرفته است.

RNN یک شبکه عصبی مصنوعی است که در آن لبه های کارگردانی گره های پنهان را برای تشکیل یک چرخه کارگردانی متصل می کنند. این الگوریتم یک مدل مناسب برای پردازش داده ها است که به صورت متوالی ظاهر می شود ، مانند صدا و متن.

مشخص شده است که توانایی یادگیری RNN به طور قابل توجهی کاهش می یابد زیرا شیب در هنگام بازگشت به تدریج کاهش می یابد وقتی فاصله بین اطلاعات مربوطه و نقطه ای که از اطلاعات طولانی استفاده می شود ، کاهش می یابد. این مشکل شیب ناپدید شده نامیده می شود. برای پرداختن به این مسئله ، LSTM ایجاد شد. LSTM ساختاری است که حالت سلولی را به شکل پنهان RNN اضافه می کند.

شبکه عصبی مکرر LSTM مدلی است که برای غلبه بر از دست دادن شیب و مشکلات انفجار شیب RNN ظاهر شده است. از طرف دیگر ، LSTM دروازه های پاک کننده ، دروازه های ورودی و دروازه های خروجی را به طور مداوم ورودی به حافظه بلند مدت اضافه می کند تا برای مدت طولانی به یاد بیایند. علاوه بر این ، LSTM مدلی است که برای جبران کاستی های RNN ایجاد شده است. RNN مشکلی دارد زیرا با گسترش مرحله زمانی ، اطلاعات قلم به عقب منتقل نمی شود ، بنابراین LSTM با افزودن حالت سلولی این کار را تکمیل می کند. علاوه بر این ، LSTM با افزودن دروازه های ورودی ، فراموش کردن دروازه ها و دروازه های خروجی به سلولهای حافظه لایه پنهان و ذخیره چیزهایی که باید به یاد داشته باشید ، ویژگی های پاک کردن خاطرات حجیم را دارد.

ویژگی LSTM توانایی انجام یادگیری است که به یک دوره وابستگی طولانی مدت و در عین حال حفظ داده های گذشته با معرفی مفهوم حالت سلول برای حل مشکل شیب ناپدید شده RNN ها نیاز دارد. علاوه بر این ، LSTM این مزیت را دارد که با ذخیره اطلاعات برای مدت طولانی ، پردازش سری های زمانی و دنباله آسان است. با این حال ، یک ضرر وجود دارد که سرعت عمل کند است.

علاوه بر این ، LSTM یک ساختار زنجیره ای شبیه به RNN دارد ، اما بر خلاف تنها حالت های پنهان ، LSTM برای تبادل اطلاعات منحصر به فرد به نام های سلولی طراحی شده است. همانطور که از ساختار LSTM در شکل 1 مشاهده می شود ، حالت سلول شامل یک دروازه فراموش شده است که تعیین می کند کدام یک از اطلاعات گذشته در مورد داده های ورودی منتقل شده از سلول قبلی برای انعکاس ، یک دروازه ورودی که تعیین می کند چه میزان از اطلاعات ورودی فعلی را تعیین می کندبه یاد خواهد آمد ، از یک دروازه خروجی تشکیل شده است که تعیین می کند که داده ها در داده های منتقل شده به سلول بعدی منعکس می شوند [8].

بار دیگر ، ساختار فوق به شرح زیر است. در ساختار LSTM ، HT یک حالت کوتاه مدت است و CT یک حالت بلند مدت است. سلول حافظه CT حافظه LSTM را در زمان t ذخیره می کند. فرض بر این است که حافظه مورد نیاز از گذشته به زمان T ذخیره می شود. بر اساس این حافظه حاوی تمام اطلاعات لازم ، حالت پنهان HT به لایه بیرونی خروجی می شود. در این زمان ، خروجی HT مقدار تبدیل شده توسط عملکرد TANH است ، همانطور که در شکل زیر نشان داده شده است. در اینجا ، TANH به معنای اعمال تابع TANH در هر عنصر است. علاوه بر این ، هسته این ساختار این است که حالت پنهان HT با استفاده از CT به دست آمده با استفاده از سه ورودی محاسبه می شود (XT ، HT₋₁، CT₋₁).

3. تحقیقات مرتبط

3. 1پیش بینی سری زمانی [9]

در این تحقیق ، ما از یادگیری ماشین برای پیش بینی قیمت بیت کوین با استفاده از روش پیش بینی سری زمانی استفاده کردیم. هدف اصلی تجزیه و تحلیل سری زمانی پیش بینی آینده است ، با پیش بینی تعریف به عنوان ادعایی درباره یک رویداد ناشناخته که در آینده اتفاق می افتد ، زیرا تأثیر قابل توجهی در تصمیم گیری دارد. بنابراین ، برای طراحی منطقی برنامه ها و کاهش ضررها تا حد امکان ، پیش بینی های دقیق برای آینده ضروری است.

این روشهای پیش بینی سری زمانی را می توان به کمی ، کیفی و داوری تقسیم کرد. اولین روش پیش بینی کمی پیش بینی با برآورد قانون تجربی لازم برای پیش بینی با استفاده از اطلاعات در داده های گذشته مشاهده شده است. هنگامی که شرایط زیر برآورده شود ، اعمال می شود. اول ، فرض بر این است که اطلاعات مربوط به گذشته وجود دارد. در مرحله دوم ، داده ها می توانند به عنوان داده های کمی ارائه شوند. دوم ، فرض بر این است که الگوهای گذشته در آینده ادامه خواهد یافت.

"مدل توضیحی (مدل علی)" ، که فرض می کند متغیر پیش بینی شده دارای یک پیوند علی با یک یا چند متغیر است و مقدار مورد انتظار بر اساس داده های اولیه یا خطاهایی است که موضوع پیش بینی هستند ، در این امر تنظیم شده است. راهی برای پیش بینی کمی. لطفا بیانیه را بررسی کنید. ایده کامل نیست. یعنی فرض بر این است که متغیر خروجی مدل توضیحی از طریق یک رابطه علی با متغیر ورودی ظاهر می شود. در مقابل ، متغیر خروجی مدل سری زمانی از طریق فرآیند تولید خود متغیر ورودی ظاهر می شود.

مدل سری زمانی با ایجاد یک مدل تحت این فرض پیش بینی می کند که یک الگوی خاص در داده های گذشته متغیر مورد انتظار یافت می شود و این الگوی بدون از دست دادن ویژگی های آن در آینده تکرار می شود.

3. 2مطالعات موجود در مورد پیش بینی سری زمانی بازارهای مالی

از آنجا که قیمت سهام در حال حاضر تمام اطلاعات شناخته شده در یک نقطه خاص از زمان را منعکس می کند ، ما نسبت به روشهای تجزیه و تحلیل موجود شکاک بودیم زیرا استدلال می شود که پیش بینی قیمت سهام غیرممکن است. با این حال ، تحقیقات اخیر در یادگیری ماشین نشان می دهد که با ترکیب شبکه های عصبی مصنوعی و تجزیه و تحلیل فنی می توان به سودهای فراتر از میانگین بازار از طریق پیش بینی قیمت سهام دست یافت. [10،11،12،13].

یادگیری عمیق یادگیری ماشین است که از ساختار مغز انسان تقلید می کند و در زمینه های مختلفی از جمله تشخیص تصویر ، تشخیص صدا ، پردازش زبان طبیعی و پیش بینی آینده با بهبود مشکلات شبکه های عصبی مصنوعی استفاده می شود. بر خلاف سایر انواع یادگیری ماشین ، یادگیری عمیق الگوی ویژگی داده های ورودی را همانطور که هست می آموزد ، بنابراین بسته به الگوی ویژگی داده های ورودی قبل از یادگیری ، تفاوت زیادی در نتایج پیش بینی وجود دارد [14].

بیت کوین و اتریوم دو نمونه از ارزهای رمزپایه مبتنی بر blockchain هستند که در سراسر جهان علاقه زیادی به دست می آورند و با نوسان قیمت آنها ، نوسانات قابل توجهی را تجربه می کنند. به دلیل نوسانات قابل توجه آن ، بعضی اوقات می تواند توسط بسیاری از سرمایه گذاران به عنوان یک عامل خطر تلقی شود و در نتیجه مسائل اجتماعی باشد. هزینه بیت کوین و اتریوم در درجه اول تحت تأثیر تغییرات در محیط جهانی قرار می گیرد و به سرعت پاسخ می دهد. بنابراین ، پاسخ دادن به انواع داده های زمان واقعی بسیار مهم است. با این حال ، در مورد مشتریان عادی ، به دست آوردن سریع و کارآمد چنین اطلاعاتی پیچیده است و تعیین امتیاز خرید و فروش تعاونی و رویکرد سرمایه گذاری بسیار چالش برانگیز نیست.

الگوریتم های یادگیری عمیق شبکه عصبی مصنوعی ، مانند LSTM ، در بسیاری از زمینه ها مانند امور مالی ، پزشکی ، تشخیص تصویر و تشخیص گفتار مورد استفاده قرار می گیرند. در بخش مالی ، از شبکه های عصبی مصنوعی برای ورشکستگی ، ارزیابی اعتبار و پیش بینی بازار سهام استفاده می شود. این روزها ، حوزه های اصلی تحقیق پیش بینی قیمت سهام ، تجزیه و تحلیل فنی و پیش بینی رمزنگاری است.

بازارهای مالی مدرن با جریان سریع اطلاعات ، تعداد زیادی از شرکت کنندگان که دارای افق سرمایه گذاری متنوع و مکانیسم های بازخورد چندگانه هستند ، مشخص می شوند که به طور جمعی منجر به ظهور پدیده های پیچیده ، به عنوان مثال ، حباب های سوداگرانه یا تصادفات می شوند. به همین ترتیب ، آنها یکی از پیچیده ترین سیستم های شناخته شده در نظر گرفته می شوند. مطالعات بی شماری حقایق سبک شده را روشن کرده اند ، همچنین به عنوان ویژگی های پیچیدگی ، که در اکثریت قریب به اتفاق بازارهای مالی مشاهده می شود. این موارد شامل به اصطلاح "دم چربی" توزیع بازگشت ، خوشه بندی نوسانات ، "حافظه طولانی" ، تصادفی قوی در کنار همبستگی های غیرخطی ، پایداری و تأثیرات شبیه به شکستگی و حتی چند منظوره است. توسعه چشمگیر بازار cryptocurrency در طی چند سال گذشته-از اینکه کاملاً محیطی برای سرمایه گذاری در سطح بورس اوراق بهادار متوسط است-فرصتی بی نظیر برای مشاهده تکامل آن در یک دوره کوتاه ایجاد می کند [15].

از آنجا که تمام اطلاعات شناخته شده در یک زمان خاص قبلاً در قیمت سهام منعکس شده است ، ما نسبت به روشهای تجزیه و تحلیل موجود شکاک بودیم زیرا استدلال می شود که پیش بینی قیمت سهام غیرممکن است. با این حال ، تحقیقات اخیر در زمینه یادگیری ماشین نشان می دهد که می توان با ترکیب شبکه های عصبی مصنوعی و تجزیه و تحلیل فنی ، به سودهای فراتر از میانگین بازار از طریق پیش بینی قیمت سهام دست یافت.

علاوه بر این ، یادگیری عمیق یادگیری ماشین است که از ساختار مغز انسان تقلید می کند و در زمینه های مختلفی از جمله تشخیص تصویر ، تشخیص صدا ، پردازش زبان طبیعی و پیش بینی آینده با بهبود مشکلات شبکه های عصبی مصنوعی استفاده می شود. بر خلاف سایر انواع یادگیری ماشین ، یادگیری عمیق الگوی ویژگی داده های ورودی را همانطور که هست می آموزد ، بنابراین بسته به الگوی ویژگی داده های ورودی قبل از یادگیری ، تفاوت بزرگی در نتیجه پیش بینی وجود دارد.

Chong [16] داده ها را از طریق تجزیه و تحلیل مؤلفه اصلی (PCA) ، با استفاده از یک AutoEncoder و یک دستگاه Boltzma محدود (RBM) با استفاده از 5 دقیقه داده تغییر قیمت سهام KOSPI 20 فشرده می کند. برای پیش بینی افزایش و سقوط قیمت ، شبکه عصبی مصنوعی ، شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) استفاده شد و عملکرد با NMSE ، RMSE و MAE مقایسه شد.

SAK [17] مطالعه ای را برای استفاده از داده های سری زمانی ، مانند داده های تشخیص گفتار ، به یک مدل LSTM مبتنی بر RNN انجام داد که مشکل از دست دادن شیب یک شبکه عصبی مصنوعی مکرر (RNN) مناسب برای تجزیه و تحلیل داده های سری زمانی را حل کرد. در این مطالعه ، ما نشان دادیم که مدل LSTM به سرعت همگرا می شود. علاوه بر این ، این یک عملکرد پیشرفته تشخیص گفتار برای مدلهایی با اندازه نسبتاً کوچک را فراهم می کند.

3. 3بحث مطالعه

ما قصد داریم از این بخش برای ارائه یافته های کلیدی مطالعه ، از جمله معنی یافته ها و بینش های حاصل از آنها استفاده کنیم.

در زمان تجارت ، قیمت Cryptocurrency با عرضه و تقاضا تعیین شد و نوسانات قیمت رمزنگاری منعکس کننده تمام اطلاعات سیاسی و اقتصادی مانند بازارهای فنی ، اساسی ، عاطفی ، روانی و مالی است. علاوه بر این ، اگر تغییرات جزئی نادیده گرفته شود ، قیمت معاملات ارزهای رمزنگاری شده برای یک دوره طولانی در همان جهت حرکت می کند.

مطالعه دیگر در مورد رویکرد یادگیری ماشین با استفاده از LSTM برای این منظور به شرح زیر است [18].

آزمایشات برای ارزیابی رویکردهای مختلف آماری آماری و ماشین برای مطالعه توانایی کوتاه مدت در پیش بینی نرخ ارز (اندازه گیری نوسانات) بازار بیت کوین در برابر دلار آمریکا انجام شد [19].

در یک مطالعه قبلی ، از تکنیک های یادگیری ماشین مانند RNN و LSTM برای پیش بینی فرآیند قیمت گذاری بیت کوین استفاده شد و نتایج با نتایج به دست آمده با استفاده از مدل ARIMA مقایسه شد [20].

Karakoyun و همکاران.(2018) مدل سری زمانی ARIMA و الگوریتم یادگیری عمیق LSTM را برای پیش بینی قیمت بیت کوین مقایسه کرد [21].

این مدل از قیمت معاملاتی رمزنگاری نشانگر روانشناسی سرمایه گذاری است. اگر خصوصیات روانشناختی سرمایه گذاری تغییر نکند ، احتمالاً این الگوی در آینده تکرار می شود. به طور کلی ، تجزیه و تحلیل فنی روشی برای پیش بینی قیمت آینده با تجزیه و تحلیل تغییرات در قیمت معاملات با استفاده از قیمت معاملات یک بار یا حجم معاملات است.

با توجه به نکات مختلف این بحث ، این مطالعه بسیاری از قسمت های عاطفی را که بر نوسانات قیمت ارزهای رمزنگاری شده تأثیر می گذارد ، اعمال نمی کند. ما می خواستیم برای دو ارز رمزنگاری پیش بینی کنیم. علاوه بر این ، ما در نظر گرفتیم که LSTM را بهینه نکنیم. دلیل استفاده از این به عنوان مبنای بدون بهینه سازی جداگانه این بود که هنگام یادگیری با داده های به روز شده در هر دقیقه به یک استاندارد نیاز دارد.

4. طرح تحقیق

این مطالعه بر پیش بینی سری 1 دقیقه ای برای ارزهای رمزپایه ، بیت کوین و اتریوم ، در بازار Upbit (شکل 2) ، یکی از مبادلات رمزنگاری آنلاین کره کره است. شکل 3 برخی از صفحه های مرحله ای را برای خدمات صدور حیاتی برای API نشان می دهد.

شکل 4 الگوریتم اصلی این مطالعه را نشان می دهد و در مجموع هشت مرحله را طی می کند. بر این اساس ، توضیح هر مرحله به شرح زیر است. همانطور که در (1) نشان داده شده است ، آخرین 200 داده cryptocurrency وارد می شوند. از طریق API UPBIT ، فقط 200 قطعه داده برای آخرین لحظه قابل تهیه است. یعنی 200 دقیقه از داده ها می توانند ایمن شوند.

علاوه بر این ، به دلیل اینکه یک سایت کره ای است ، تمام معاملات بیت کوین در کره و برنده کره ای (KRW) انجام می شود. هر باز در جدول 1 و جدول 2 به معنای قیمت بازار در دقیقه ، بالاترین قیمت در دقیقه و پایین به معنای کمترین قیمت در دقیقه است. بستن به قیمت بسته شدن در دقیقه اشاره دارد ، در حالی که حجم به حجم معاملات cryptocurrency در دقیقه اشاره دارد. از طریق این 200 قطعه داده ، پیش بینی سری زمانی 1 دقیقه LSTM بعدی ، همانطور که در (2) نشان داده شده است. سپس ، مرحله (3) بررسی می کند که آیا ما قبلاً cryptocurrency داریم یا خیر. علاوه بر این ، اگر رمزنگاری نداریم ، مانند (5) ، مقدار پیش بینی شده پس از 1 دقیقه با مقدار فعلی مقایسه می شود. اگر مقدار مورد انتظار بیشتر از مقدار فعلی نیست ، 1 دقیقه در (8) صبر کنید ، سپس به (1) برگردید و 200 داده cryptocurrency زیر را بارگیری کنید.

اگر مقدار پیش بینی شده از مقدار فعلی فراتر رود ، cryptocurrency را با تخفیف فعلی مانند (7) خریداری کنید ، 1 دقیقه در (8) صبر کنید ، سپس به (1) بروید و 200 ارز رمزنگاری زیر را بارگیری کنید. مانند (4) ، اگر Cryptocurrency داریم ، مقایسه کنید که آیا مقدار پیش بینی شده پس از 1 دقیقه از مقدار فعلی کوچکتر است. اگر مقدار مورد انتظار از مقدار فعلی کوچکتر نیست ، 1 دقیقه در (8) صبر کنید ، سپس به (1) برگردید و 200 داده cryptocurrency زیر را بارگیری کنید. اگر مقدار پیش بینی شده از مقدار فعلی کوچکتر است ، cryptocurrency را به مقدار فعلی مانند (6) بفروشید ، 1 دقیقه در (8) صبر کنید ، به (1) برگردید و روند بازیابی 200 ارز رمزنگاری زیر را طی کنید، و این روند را تکرار کنید.

5- نتایج تحقیق و تأیید

این فصل گامی برای تأیید محتوای الگوریتم تجزیه و تحلیل سری زمانی Cryptocurrency در 1 دقیقه با استفاده از LSTM است. برای این منظور ، دو ارز رمزنگاری ، بیت کوین (BTC) و اتریوم (ETH) در یک دوره محدود به این الگوریتم اعمال شد و نشان داد. به عبارت دیگر ، صعود یا روند نزولی در دقیقه بعد از طریق آخرین داده های 200/200 در واحدهای یک دقیقه پیش بینی شد. پس از این پیش بینی ، تجارت واقعی 80 جفت (80 خرید ، 80 فروش) انجام شد و تعداد موارد معاملاتی با نتایج آزمایشی ارائه شده در جدول 1 و جدول 2 و همچنین شکل 5 و شکل 6 مقایسه شد.

در نتیجه ، مقادیر دو ارز رمزنگاری ، بیت کوین و اتریوم ، در یک دوره محدود تا حدودی کاهش یافت. با این حال ، تأیید شد که در نتایج آزمایشی استفاده از LSTM ، سود دیگری وجود دارد.

جدول 1 آخرین پنج داده دقیق در هر دقیقه بیت کوین را به عنوان نمونه نشان می دهد. Date1 نشان می دهد تاریخ و زمان خرید و خرید قیمت خرید را نشان می دهد. علاوه بر این ، Date2 تاریخ و زمان فروش را نشان می دهد و فروش نشان دهنده قیمت فروش است. سپس ، Date3 تاریخ و زمان را در واحدهای 10 دقیقه نشان می دهد تا نمودار را مانند شکل 5 نشان دهد و قیمت واقعی واحدهای 10 دقیقه را نشان می دهد. در نمودار در شکل 5 ، دایره (آبی) نشانگر خرید است. در همین حال ، مثلث (قرمز) نشان دهنده فروش است. علاوه بر این ، Date1 و Date2 هر کدام 80 داده دارند ، اما فقط پنج مورد در جدول 1 به عنوان نمونه نشان داده شده است.

همانطور که در شکل 5 نشان داده شده است ، از ساعت 13:10 در 22 نوامبر 2021 ، تا 12:50 در 23 نوامبر 2021 ، از طریق 80 جفت معاملات بیت کوین ، به شرح زیر است. از یک صعود به روند نزولی برای خرید و فروش باز می گردد. 62. 5 ٪ از قیمت درخواست بالاتر از قیمت سؤال بود و 78. 75 ٪ از قیمت پیشنهادی بعدی پایین تر از قیمت درخواست بود.

جدول 3 معیارهای ارزیابی امتیاز خرید و فروش بیت کوین را نشان می دهد. نقطه خرید برای MAE 3 ، 0. 234375 برای MSE و 0. 484122918275927 برای RMSE بود ، نقطه فروش برای MAE 1. 7 برای MSE ، و 0. 440170421541475 برای RMSE بود. در اینجا ، تأیید شد که با فروش +12. 5 ٪ (62. 5-50) و خرید +28. 75 ٪ (78. 5-50) بر اساس میانگین ارزش خرید و فروش (50 ٪) سود مثبت گرفته شده است.

اگر بیت کوین را در 22 نوامبر 2021 ، ساعت 13:15 خریداری کنیم و آن را در 23 نوامبر 2021 ، ساعت 6:16 فروختیم ، با 1،339،000 - برنده می شود. با استفاده از روش پیشنهادی ، سود 3،185،000 برنده در مقایسه با روش قبلی تأیید شد.

اگر این قسمت ها در یک فرمول ساده خلاصه شده باشند ، به شرح زیر ، نتیجه داده های واقعی حدود 24 ساعت در این آزمایش تأیید می کند که افزایش 44 /44 ٪ به شرح زیر است.

قیمت خرید نقطه شروع 71،725،000 برنده بود (ارزش خرید تاریخ 1 در ردیف اول (شماره 1) در جدول 1)

آخرین قیمت فروش معامله طبیعی ، -1،339،000 برنده قیمت نهایی فروش این آزمایش که LSTM در آن اعمال شده است ، KRW 1،846،000 تفاوت C-B (سود) ، 3،185،000 برنده

نرخ سود این مطالعه با استفاده از LSTM در مقایسه با معاملات طبیعی مبتنی بر قیمت خرید (درصد D) ، +4. 44 ٪

جدول 2 آخرین پنج داده دقیق در هر دقیقه اتریوم را به عنوان نمونه نشان می دهد. Date1 تاریخ و زمان خرید را نشان می دهد و قیمت خرید را خریداری می کند. علاوه بر این ، Date2 تاریخ و زمان فروش را نشان می دهد و فروش نشان دهنده قیمت فروش است. علاوه بر این ، Date3 تاریخ و زمان در واحدهای 10 دقیقه را نشان می دهد تا نمودار را مانند شکل 5 نشان دهد و قیمت واقعی واحدهای 10 دقیقه را نشان می دهد. در نمودار شکل 6 ، دایره (آبی) نشانگر خرید است و مثلث (قرمز) نشان دهنده فروش است. علاوه بر این ، اگرچه Date1 و Date2 هر کدام 80 داده دارند ، جدول 2 فقط پنج مورد را به عنوان نمونه نشان می دهد.

همانطور که در شکل 6 نشان داده شده است ، هنگام بازگشت به پایین آمدن به بازار گاو نر از طریق 80 جفت معاملات اتریوم از 12:13 در 22 نوامبر 2021 ، به 4:02 در 23 نوامبر 2021 ، قیمت فروش را بخرید. بالاتر از قیمت فروش و 62. 5 ٪ از قیمت خرید زیر از قیمت فروش پایین تر بود.

جدول 3 معیارهای ارزیابی امتیاز خرید و فروش اتریوم را نشان می دهد. نقطه خرید برای MAE 3. 3 ، 0. 3998946875 برای MSE و 0. 632301105091554 برای RMSE ، نقطه فروش برای MAE 3 ، 0. 234375 برای MSE ، و 0. 484122918275927 برای RMSE بود. در اینجا ، بر اساس میانگین ارزش (50 ٪) خرید و فروش ، تأیید شد که نقاط مثبت برای افزایش منجر به +8. 75 ٪ (58. 75-50) در فروش و 12. 5 ٪ (62. 5-50) در خرید می شوند. این ثابت کرد که بر افزایش کل (36 / 1. 36 ٪) تأثیر می گذارد.

اگر Ethereum را در 22 نوامبر 2021 ، ساعت 12:13 خریداری کنیم و آن را در 23 نوامبر 2021 ، ساعت 4:02 فروختیم ، با 16،000 پوند به دست می آید. با استفاده از روش پیشنهادی ، سود 71000 KRW در مقایسه با فرآیند موجود تأیید شد.

اگر این قسمت ها در یک فرمول ساده خلاصه شوند ، به شرح زیر ، نتیجه داده های واقعی حدود 28 ساعت در این آزمایش تأیید می کند که سود 1. 36 ٪ به شرح زیر است.

قیمت خرید نقطه شروع 5،220،000 KRW (ارزش خرید تاریخ 1 در ردیف اول (شماره 1) در جدول 2)

آخرین قیمت فروش معامله طبیعی ، -16،000 برنده قیمت نهایی فروش این آزمایش که LSTM در آن اعمال می شود 55000 برنده بود تفاوت C-B (سود) ، 71000 برنده

نرخ سود این مطالعه با استفاده از LSTM در مقایسه با معامله طبیعی مبتنی بر قیمت خرید (درصد D) ، +1. 36 ٪

6. بحث

با توجه به داده های محدود در این مطالعه ، لازم است با استفاده از انواع بیشتری از ارز مجازی و داده های یک دوره طولانی تر ، تحقیقات را افزایش دهید. علاوه بر این ، مطالعه روشهای مختلف برای ارزیابی لازم است. همچنین در پاسخ به جریان اقتصادی و وقایع در سراسر جهان ، تجزیه و تحلیل جریان بازار رمزنگاری لازم است.

7. نتیجه گیری

اخیراً ، cryptocurrency به عنوان پول و کالایی با ارزش سرمایه گذاری ، مشابه سهام شناخته شده است. بسیاری از مطالعات در مورد پیش بینی سری زمانی با استفاده از یادگیری ماشین و یادگیری عمیق نتایج تحقیق را برای پیش بینی های طولانی مدت مانند روزانه یا هفتگی نشان داده اند. هنوز پیش بینی کوتاه مدت 1 دقیقه انجام نشده است. این مطالعه که چنین پیش بینی 1 دقیقه ای را انجام داده است.

به طور کلی ، خطرات زیادی در سرمایه گذاری سهام وجود دارد ، و بازار cryptocurrency نیز نرخ تغییر بسیار سریعتر و دامنه وسیع تری نسبت به بازار سهام دارد. این یک آزمایش در تجارت کارآمد با تعیین نقاط تجارت کارآمد با استفاده از تکنیک های یادگیری ماشین و تکرار الگوریتم LSTM ارائه شده در این مقاله است. این امکان پیش بینی سری زمانی را نشان می دهد.

روش در مرحله تحقیقاتی این مطالعه تعیین یک نقطه تجارت کارآمد با استفاده از تکنیک های یادگیری ماشین و سپس تکرار 1 دقیقه الگوریتم تجزیه و تحلیل سری زمانی رمزنگاری با استفاده از LSTM پیشنهادی در این کار است. اگرچه این تحقیق در درجه اول به سهام معطوف شده است ، این مطالعه نشان می دهد که چگونه ممکن است از این الگوریتم ها برای پیش بینی سری های زمانی در cryptocurrency استفاده شود.

در این مطالعه ، صعود یا پایین آمدن در دقیقه بعد از طریق آخرین داده های 200/200 در واحدهای 1 دقیقه پیش بینی شده و با تعداد واقعی فروش 80 جفت (80 خریده ، 80 فروش) مقایسه می شود. در نتیجه ، مقادیر دو ارز رمزنگاری ، بیت کوین و اتریوم ، در یک دوره محدود تا حدودی کاهش یافت. با این حال ، تأیید شد که در نتایج آزمایشی استفاده از LSTM ، سود دیگری وجود دارد.

کمک های نویسنده

مفهوم سازی ، Y. K. ؛درمان داده ها ، Y. K. ؛تجزیه و تحلیل رسمی ، Y. K. ؛کسب بودجه ، Y.-C. B. ؛تحقیقات ، Y.-C. B. ؛روش شناسی ، Y. K. ؛نرم افزار ، Y. K. ؛نوشتن - پیش نویس Original ، Y. K. ؛نوشتن-بررسی و ویرایش ، Y.-C. B. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق از نظر مالی توسط وزارت شرکتهای کوچک و متوسط (SME) و استارتاپ ها (MSS) ، کره ، تحت برنامه "توسعه تخصصی صنعت منطقه ای (R& D ، S3246057)" تحت نظارت مؤسس کره برای پیشرفت فناوری ، پشتیبانی شد.(کیات). علاوه بر این ، این کار همچنین توسط مؤسسه پیشرفته پیشرفت فناوری کره (KIAT) تأمین شده توسط دولت کره (MOTIE) (P0016977 ، پروژه تأسیس منطقه فیوژن صنعت و دانشگاه) پشتیبانی شده است.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. جانگ ، ه. ؛چوی ، ح. ؛پیش بینی سهام لی ، H. با استفاده از ترکیبی از تجزیه و تحلیل احساسات برت و شاخص اقتصاد کلان. J. کره Soc. رایانه. inf. 2020 ، 25 ، 47-56.[Google Scholar] [CrossRef]
2. هنگ ، تی. ؛کیم ، ه. ؛Cha ، E. پیش بینی شاخص Dow Jones و S& P500 با استفاده از SVM و تجزیه و تحلیل احساسات خبری. J. Electron اینترنت. تجارتres2017 ، 17 ، 23-36.[Google Scholar]
3. کیم ، S. W. سودآوری سیستم تجارت برای cryptocurrency. J. Digit. مطالب SOC. 2021 ، 22 ، 555-562.[Google Scholar] [CrossRef]
4. در دسترس آنلاین: https://terms. naver. com/entry. naver؟docid=5138095٪20& cid=40942& categorid=32848 (دسترسی به 9 مارس 2017).
5. درک RNN ها و LSTMS! در دسترس آنلاین: https://ratsgo. github. io/natural٪20language٪20Processing/2017/03/09/nlstm/ (دسترسی به 9 مارس 2017).
6. Hochreiter ، S. ؛Schmidhuber ، J. حافظه کوتاه مدت طولانی. رایانه عصبی. 1997 ، 9 ، 1735-1780.[Google Scholar] [CrossRef] [PubMed]
7. درک شبکه های LSTM ، بازیابی. 2019. در دسترس آنلاین: http://colah. github. io/posts/2015-08-understanding-lstms/ (دسترسی به 9 مارس 2017).
8. کیم ، س. جی. ؛Shon ، T.-S. تشخیص نشت داده های خودی مبتنی بر LSTM AutoEncoder. J. Digit. مطالب SOC. 2022 ، 23 ، 1159 1166.[Google Scholar] [CrossRef]
9. تجزیه و تحلیل سری زمانی. در دسترس آنلاین: https://terms. naver. com/entry. naver؟docid=839742& cid٪20=50376&٪20ategorid=50376 (دسترسی به 9 مارس 2017).
10. فیشر ، ت. ؛Krauss ، C. یادگیری عمیق با شبکه های حافظه کوتاه مدت طولانی برای پیش بینی بازار مالی. FAU بحث کنیدpap. ECON2017 ، 310-342.[Google Scholar] [CrossRef] [نسخه سبز]
11. لی ، J. W. یک سیستم معاملات سهام بر اساس یادگیری نظارت شده از الگوهای قیمت سهام بسیار بی ثبات. J. کره کره. inf. علمیمهندس2013 ، 19 ، 23-29.[Google Scholar]
12. Hsu ، C. یک روش ترکیبی برای پیش بینی قیمت سهام با ادغام نقشه خود سازماندهی و برنامه نویسی ژنتیکی. سیستم متخصصکاربرد2011 ، 38 ، 14026 14036.[Google Scholar] [CrossRef]
13. Kwon ، Y. K. ؛چوی ، S. S. ؛مون ، B. R. پیش بینی سهام بر اساس همبستگی مالی. در مجموعه مقالات هفتمین کنفرانس سالانه محاسبات ژنتیکی و تکاملی ، واشنگتن ، دی سی ، ایالات متحده ، 25-29 ژوئن 2005 ؛صص 2061-2066.[Google Scholar] [CrossRef]
14. An ، S. M. معماری و برنامه های یادگیری عمیق. انجمن سیستم اطلاعات هوشمند کره ، مطالعه اطلاعات درخشان. ج. inf. syst2016 ، 22 ، 127 142.[Google Scholar] [CrossRef] [نسخه سبز]
15. Wątorek ، م. ؛Drożdż ، s. ؛Kwapień ، J. ؛میناتی ، ل. ؛Oświęcimka ، ص ؛Stanuszek ، M. ویژگی های چند مقیاس بازار جهانی رمزنگاری در حال ظهور. فیزیکRep. 2021 ، 901 ، 1-82.[Google Scholar] [CrossRef]
16. چونگ ، ه. ؛هان ، ج. ؛پارک ، F. C. شبکه های یادگیری عمیق برای تجزیه و تحلیل بازار سهام و پیش بینی: روش شناسی ، بازنمایی داده ها و مطالعات موردی. سیستم متخصصکاربرد2017 ، 83 ، 187-205.[Google Scholar] [CrossRef]
17. ساک ، ح. ارشد ، ا. Beaufays ، F. معماری های شبکه عصبی مکرر حافظه کوتاه مدت کوتاه مدت برای مدل سازی آکوستیک در مقیاس بزرگ. در مجموعه مقالات پانزدهمین کنفرانس سالانه انجمن بین المللی ارتباطات گفتار ، سنگاپور ، 14-18 سپتامبر 2014. [Google Scholar] [Crossref]
18. وو ، C.-H. ؛MA ، Y.-F. ؛لو ، C. C. ؛لو ، R.-S. یک چارچوب پیش بینی جدید برای قیمت بیت کوین با LSTM. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد کارگاه های داده کاوی (ICDMW) ، سنگاپور ، 17-20 نوامبر 2018. [Google Scholar]
19. Guo ، T. ؛Antulov-Fantulin ، N. یک مطالعه تجربی از نوسان بیت کوین با استفاده از روشهای یادگیری ماشین. ARXIV 2018 ، ARXIV: 1802. 04065.[Google Scholar]
20. مک نالی ، س. ؛Roche ، J. ؛Caton ، S. پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین. در مجموعه مقالات 26th 26 کنفرانس بین المللی یورومیکرو در مورد پردازش موازی ، توزیع شده و مبتنی بر شبکه (PDP) ، کمبریج ، انگلستان ، 21-23 مارس 2018 ؛صص 339-343.[Google Scholar]
21. Karakoyun ، E. S. ؛Cibikdiken ، A. O. مقایسه مدل سری زمانی ARIMA و الگوریتم یادگیری عمیق LSTM برای پیش بینی قیمت بیت کوین. در مجموعه مقالات سیزدهمین کنفرانس علمی چند رشته ای (سیزدهمین مک 2018) ، پراگ ، جمهوری چک ، 7-9 دسامبر 2018 ؛صص 171-180.[Google Scholar]