ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)

الموضوعات :

سکینه صیادی نژاد ¹ , علی اسماعیل زاده ² , محمدرضا رستمی ³

1 - گروه مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی،تهران ،ایران
3 - گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران

تاريخ الإرسال : 30 السبت , جمادى الأولى, 1444 تاريخ التأكيد : 05 السبت , شعبان, 1444 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: G18, C45, C61, بیت‌کوین, تجزیه مد تجربی یکپارچه کامل (CEEMD), واژه‌های کلیدی: مدل های یادگیری عمیق (DL), حافظه بلندمدت – کوتاه مدت (LSTM), شبکه عصبی کانولوشنی (CNN). طبقه بندی JEL : E37,

ملخص المقالة :

چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین،

المصادر:

- فهرست منابع

• امامی، کریم و امام وردی، قدرت الله. (1388). بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدلهای خطی و غیرخطی. اقتصاد مالی، 3(7)، 83-56.


• باباجانی، جعفر، تقوا، محمدرضا، بولو، قاسم، عبدالهی، محسن. (1398). مقاله پژوهشی: پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی 7(2). 195-228.


• باغستانی، علی اکبر، یزدانی، سعید و احمدیان، مجید. (1394). کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا در بورس کالای ایران. اقتصاد مالی، 9(33)، 14-1.


• بختیاران، محمد جواد، ذوالفقاری، مهدی. (1400). طراحی مدلی جهت پیش بینی بازده بیت‌کوین (با تاکید بر مدل‌های ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدل‌های با حافظه بلندمدت). مهندسی مالی و مدیریت اوراق بهادار. 12(47)، 187-161.


• بشیری، میثم، پاریاب، سیدحسین. (1399). پیش‏ بینی قیمت بیت‏ کوین با استفاده از الگوریتم‏ های یادگیری ماشین، اقتصاد کاربردی،10(34)، 13-1.


• صالحی فر, محمد. (1398) بررسی رفتار بازده و ریسک بیت کوین درمقایسه با بازارهای طلا، ارز و بورس با رویکرد مدل های GJR-GARCH و گارچ آستانه. مهندسی مالی و مدیریت اوراق بهادار, 10(40), 152-168.


• کاویانی، میثم، فخرحسینی، سید فخرالدین، دستیار، فاطمه. (1399). مروری بر اهمیت و چرایی پیش‎بینی بازده سهام: با تأکید بر متغیرهای کلان اقتصادی. حسابداری و منافع اجتماعی، 10(2)، 131-113.


• محمدشریفی، ابوصالح، خلیلی دامغانی، کاوه، عبدی، فرشید، سردار، سهیلا. (1400). پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق. مطالعات مدیریت صنعتی, 19(61), 125-146.

مریم دولو ، تکتم حیدری (1396). پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک، نشریه اقتصاد مالی،11(40)، 23-1

• Babajani, J., Taghva, M., Blue, G., Abdollahi, M. (2019). Forecasting Stock Prices in Tehran Stock Exchange Using Recurrent Neural Network Optimized by Artificial Bee Colony Algorithm. Financial Management Strategy, 7(2), 195-228. (in Persian)


• Bonneau, J., Miller, A., Clark, J., Narayanan, A., Kroll, J. A., & Felten, E. W. (2015). Sok: Research perspectives and challenges for bitcoin and cryptocurrencies, In 2015 IEEE Symposium on Security and Privacy (pp. 104-121). IEEE.


• Cavalcante, R. C., Brasileiro, R. C., Souza, V. L. P., Nobrega, J. P., & Oliveira, A. L. I. (2016). Computational Intelligence and Financial Markets: A Survey and Future Directions. Expert Systems with Applications, 55, 194–211.


• Karakoyun, E. S., & Cibikdiken, A. O. (2018). Comparison of arima time series model and lstm deep learning algorithm for bitcoin price forecasting, In The 13th multidisciplinary academic conference in prague 2018 (the 13th mac 2018) (pp. 171-180).


• kaviani, M., Fakhrehosseini, S., dastyar, F. (2020). An Overview of the Importance and Why the Stock Return Prediction, with Emphasis on Macroeconomic Variables. Journal of Accounting and Social Interests, 10(2), 113-131. (in Persian)


• Lin, Y., Yan, Y., Xu, J., Liao, Y., & Ma, F. (2021). Forecasting stock index price using the CEEMDAN-LSTM model. The North American Journal of Economics and Finance, 57, 101421.


• Patrick Jaquart, David Dann, Christof Weinhardt (2021). Short-term bitcoin market prediction via machine learning, The Journal of Finance and Data Science, Volume 7, 45-66.


• Sarafraz, S., Sefati, F. and Ghiasvand, A. (2016). Predicting stock prices with hybrid market indices using a fuzzy neural model. International Conference on Modern Research in Management, Economics and Accounting. (in Persian)


• Shengao Zhang, Mengze Li, Chunxiao Yan (2022). The Empirical Analysis of Bitcoin Price Prediction Based on Deep Learning Integration Method, Computational Intelligence and Neuroscience, vol. 2022, Article ID 1265837, 9 pages.


• Sin, E., & Wang, L. (2017). “Bitcoin price prediction using ensembles of neural networks”, In 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD) (pp. 666-671). IEEE.


• Yamak, P. T., Yujian, L., & Gadosey, P. K. (2019). A Comparison between ARIMA, LSTM, and GRU for Time Series Forecasting, In Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence (pp. 49-55).


• Yan, B., & Aasma, M. (2020). A novel deep learning framework: Prediction and analysis of financial time series using CEEMD and LSTM. Expert systems with applications, 159, 113609.


• Zarei, G., Mohamadiyan, R., Nayeri Hazeri, H., Mashokouh ajirlou, M. (2018). The Comparison of Fuzzy Neural Network Methods with Wavelet Fuzzy Neural Network in Predicting Stock Prices of Banks Accepted in Tehran Stock Exchange. Financial Management Strategy, 6(3), 109-138. (in Persian)