ارائه مدلی برای پیش بینی قیمت ارز دیجیتال در شرایط عدم اطمینان محیطی با شبکه عصبی مصنوعی فازی

محورهای موضوعی : فصلنامه اقتصاد محاسباتی

محمد حسین درویش متولی ¹ (استادیار، گروه مدیریت صنعتی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران)
شیرین امینی ² (مدیریت فناوری اطلاعات، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران)

تاریخ دریافت : 1402/01/19 تاریخ پذیرش : 1402/03/31 تاریخ انتشار : 1402/03/01

کلید واژه: شبکه عصبی فازی, پیش بینی, , قیمت بیت کوین, , , ,

چکیده مقاله :

چکیدهدر این تحقیق با استفاده از روش شبکه‌های‌ عصبی فازی به پیش‌بینی‌ قیمت‌ بیت‌ کوین‌ پرداخته می شود. برای شناسایی معیارهای مناسب در این تحقیق به منظور پیش بینی قیمت بیت کوین در مرحله نخست از مطالعات و تحقیقات پیشین در این حوزه استفاده نموده‌ایم. در ادامه با استفاده از مصاحبه با خبرگان و کارشناسان در این حوزه همچنین اطلاعات موجود در مورد بیت کوین عوامل نهایی شدند. با استفاده از سایت های مرتبط و معیارهای شناسایی شده به جمع آوری اطلاعات تحقیق پرداخته شد. به اینصورت که ابتدا اطلاعات داده های جمع آوری شده را نرمال نمودیم. در مرحله بعد با ورود اطلاعات نرمال شده به نرم افزار متلب (MATLAB) و استفاده از جعبه ابزار طراحی شده و استفاده از روش شبکه عصبی فازی به پیش بینی قیمت بیت کوین پرداخته شد. به اینصورت که 60 % داده های ورودی که شامل 1330 داده است به عنوان داده های آموزش و 40 % داده ها که 887 داده است به عنوان تست در نظر گرفته شد. نتایج تحقیق نشان از پیش بینی با دقت بالا با استفاده از روش پیشنهادی را دارد. به طوریکه در دو معیار خطای در نظر گرفته شده مقدار ناچیزی برای خطای روش محاسبه گردید. کلید واژه‌ها: پیش بینی، قیمت بیت کوین، شبکه عصبی فازی.

چکیده انگلیسی:

AbstarctIn this research, using the method of fuzzy neural networks, the price of Bitcoin is predicted. In order to identify the appropriate criteria in this research in order to predict the price of Bitcoin, we have used previous studies and researches in this field in the first stage. In the following, using interviews with experts and experts in this field, the available information about Bitcoin became the final factors. Research information was collected using related sites and identified criteria. In this way, we first normalized the collected data. In the next step, by entering the normalized information into the MATLAB software and using the designed toolbox and using the fuzzy neural network method, Bitcoin price was predicted. In this way, 60% of the input data, which includes 1330 data, was considered as training data and 40% of the data, which is 887 data, was considered as testing. The research results show high accuracy prediction using the proposed method. As the error was considered in two cases, a small value was calculated for the error of the method. Keywords: prediction, bitcoin price, fuzzy neural network.