رویکردها و ابزارهای پیش بینی هوشمند فازی در حوزه ارزهای دیجیتال
محورهای موضوعی : اقتصاد مالی
داود زارع خانقاه
1
(
گروه حسابداری، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران
)
علی محمدی
2
(
گروه حسابداری، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران
)
محمد ایمانی برندق
3
(
گروه حسابداری و مدیریت دانشگاه زنچان،زنجان ،ایران
)
امیر نجفی
4
(
گروه مهندسی صنایع، واحد زنجان، دانشگاه آزاد اسلامی، زنجان ، ایران
)
کلید واژه: G21, P34, واژههای کلیدی: پیش بینی, ارز دیجیتال, شبکه های عصبیِ فازی, سیستم های فازی, مدل های ترکیبی. طبقه بندی JEL : G11,
چکیده مقاله :
چکیده سیستم های ترکیبی مبتنی بر شبکه های عصبی مصنوعی و سیستم های فازی مدل های مختلفی را برای پیشرفت علم ارائه می دهند از آنجا که آنها مدل هایی هستند که می توانند با آموزش عملی شبکه های عصبی و ظرفیت تفسیری سیستم های فازی کار کنند. لذا هدف این پژوهش، بررسی سیستماتیک مهمترین تئوری های پیش بینی ارز دیجیتال مبتنی بر مدل های ترکیبی فازی و شبکه های عصبی مصنوعی است مدل هایی که عمدتاً بر روش های نظارت شده جهت سنجش مدل های ترکیبی متمرکز هستند همچنین، این بررسی ، تاریخچه مدل های ترکیبی، ترکیبات و قابلیت های معماری ، پردازش داده ها و روش های سنجش آنها، ویژگی های مدل های برجسته(پیشرو) و کاربردهای آنها در پیش بینی ارز دیجیتال را نیز شامل می شود نتایج نشان می دهد که مدل های شبکه عصبی فازی و مشتقات آنها در پیش بینی ارز دیجیتال با دقت بسیار بالا و با قابلیت توجیه مناسب که در طیف وسیعی از حوزه های اقتصادی و علمی کاربرد دارد، کارآمد هستند
Abstract Digital currency, is one of the most important factors in the success of organizations that will be present in the arena of global competition. In the present review, the most important theories of digital currency forecasting based on fuzzy hybrid models and artificial neural networks have been systematically investigated. These models mainly focus on supervised methods for measuring hybrid models. Also, basic concepts about the history of hybrid models from the first proposed models to current developed models, their combinations and architectural capabilities, data processing and measurement methods of these intelligent models are presented so that evolution This category of intelligent systems is analyzed. Finally, the features of prominent (leading) models and their applications in digital currency forecasting are presented. The results show that fuzzy neural network models and their derivatives are efficient in predicting digital currency with very high accuracy and with good justification capability that is used in a wide range of economic and scientific fields.
فهرست منابع
حسنوند, علی, کریمی, محمد شریف, فلاحتی, علی, خانزادی, آزاد. اثر پیچیدگی اقتصادی بر نابرابری درآمدی در کشورهای منتخب در حال توسعه؛ رویکرد پانل دینامیک. اقتصاد مالی financial Economics, 1401; 16(58): 193-214. doi: 10.30495/fed.2022.691507
_||_