رویکردها و ابزارهای پیش بینی هوشمند فازی در حوزه ارزهای دیجیتال

الموضوعات :

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 )

تاريخ الإرسال : 03 السبت , جمادى الثانية, 1445 تاريخ التأكيد : 22 السبت , رجب, 1445 تاريخ الإصدار : 10 الأربعاء , رمضان, 1445

الکلمات المفتاحية: G21, P34, واژه‌های کلیدی: پیش بینی, ارز دیجیتال, شبکه های عصبیِ فازی, سیستم های فازی, مدل های ترکیبی. طبقه بندی JEL : G11,

ملخص المقالة :

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

المصادر:

فهرست منابع

• محبوبی, هادی, مومنی وصالیان, هوشنگ, دامن کشیده, مرجان, نصابیان, شهریار. تاثیر پویایی مدیریت ذخایر ارزی و ساختار مداخلات بانک مرکزی بر تثبیت بازار ارز با بکارگیری نظریه گیرتون و روپر. اقتصاد مالی financial Economics, 1401; 16(58): 233-256. doi: 10.30495/fed.2022.691509


• شیخ, عباسعلی, سعیدی, پرویز, عباسی, ابراهیم, نادریان, آرش. ارائه و تحلیل مدل تامین مالی سبز شرکت ها از طریق صنعت بانکداری در راستای استقرار محیط زیست پایدار. اقتصاد مالی financial Economics, 1401; 16(58): 215-232. doi: 10.30495/fed.2022.691508

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

• Pedrycz, W. (1993). Fuzzy neural networks and neurocomputations, Fuzzy Sets and Systems, 56 (1),1–28.


• Dayhoff, J.E., DeLeo, J. M. (2001). Artificial neural networks: opening the black box, Cancer: Interdisciplinary International Journal of the American Cancer Society, 91 (S8), 1615–1635.


• Zadeh, L.A. (1976). A fuzzy-algorithmic approach to the definition of complex or imprecise concepts, in: Systems Theory in the Social Sciences, Springer, 202–282.


• Lin C.-T., C. G. Lee, C.-T. Lin, C. Lin, Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Vol. 205, Prentice hall PTR Upper Saddle River NJ, 1996.


• Buckley J. J., Hayashi, Y. (1994). Fuzzy neural networks: A survey, Fuzzy sets and systems 66 (1) 1–13.


• Pedrycz, W. (1991). Neurocomputations in relational systems, IEEE Transactions on Pattern Analysis & Machine Intelligence 13 (3) 289–297.


• Nelles, O. (2013). Nonlinear system identification: from classical approaches to neural networks and fuzzy models, Springer Science & Business Media.


• Feipeng Da. (2000). Decentralized sliding mode adaptive controller design based on fuzzy neural networks for interconnected uncertain nonlinear systems, IEEE Transactions on Neural Networks 11 (6) 1471–1480.


• Vieira, J., Dias, Mota, F.M.A. (2004). Neuro-fuzzy systems: a survey, in: 5th WSEAS NNA international conference on neural networks and applications, Udine, Italia, 1–6.


• Kar, S. Das, P. K. Ghosh, Applications of neuro fuzzy systems: A brief review and future outline, Applied Soft Computing 15 (2014) 243–259.


• Takagi, H. (1990). Fusion technology of fuzzy theory and neural networks-survey and future directions, in: Proceedings 1st International Conference on Fuzzy Logic & Neural Networks, 13–26.


• Mitra, S. Hayashi, Y. (2000). Neuro-fuzzy rule generation: survey in soft computing framework, IEEE transactions on neural networks 11 (3) 748–768.


• M¨oller, B. Beer, M. (2013). Fuzzy randomness: uncertainty in civil engineering and computational mechanics, Springer Science & Business Media, 2013.


• Kwan, H. K. Cai, Y. (1994). A fuzzy neural network and its application to pattern recognition, IEEE transactions on Fuzzy Systems 2 (3) 185–193. arXiv:1805.03138.


• Knezevic, M. Cvetkovska, M. Han´ak, T. Braganca, L. (2018). Soltesz, Artificial neural networks and fuzzy neural networks for solving civil engineering problems, Complexity.


• Sayaydeh, O. N. Mohammed, M. F. Lim, C. P. (2018). A survey of fuzzy min max neural networks for pattern classification: Variants and applications, IEEE Transactions on Fuzzy Systems.


• Pal, S. K. Mitra, S. (1999). Neuro-fuzzy pattern recognition: methods in soft computing, John Wiley & Sons, Inc.


• Mishra, S. Sahoo, S. Mishra, B. K. (2019). Neuro-fuzzy models and applications, in: Emerging Trends and Applications in Cognitive Computing, IGI Global, 78–98.


• Shihabudheen, K. Pillai, G. (2018). Recent advances in neuro-fuzzy system: A survey, Knowledge-Based Systems 152,136–162.


• krjanc, I. Iglesias, J. Sanchis, A. Leite, D. Lughofer, E. Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A survey, Information Sciencesdoi: https://doi.org/10.1016/j.ins.2019.03.060.


• URL http://www.sciencedirect.com/science/article/pii/S0020025519302713


• Haykin, S. (1994). Neural networks: a comprehensive foundation, Prentice Hall PTR.


• Fausett, L.V. (1994). Fundamentals of neural networks: architectures, algorithms, and applications, Vol. 3, Prentice-Hall Englewood Cliffs.


• McCulloch, W. S. Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity, the bulletin of mathematical biophysics 5 (4),115–133.


• Hebb, D.O. (1949). The organization of behavior: A neurophysiological approach.


• Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain., Psychological review 65 (6),386.


• Rumelhart, D. E. Hinton, G. E. Williams, R. J. (1986). Learning representations by back-propagating errors, nature 323 (6088), 533.


• Pedrycz, F. Gomide, An introduction to fuzzy sets: analysis and design, Mit Press, 1998.


• Nauck, D. Kruse, R. (1999). Neuro-fuzzy systems for function approximation, Fuzzy sets and systems 101 (2) 261–271.


• Wang, L.-X. Mendel, J. M. (1992). Fuzzy basis functions, universal approximation, and orthogonal leastsquares learning, IEEE transactions on Neural Networks 3 (5) 807–814.


• Czabanski, R. Jezewski, M. Leski, J. (2017). Introduction to Fuzzy Systems, Springer International Publishing, Cham, 23–43. doi:10.1007/978-3-319-59614-3_2.


• URL https://doi.org/10.1007/978-3-319-59614-3_2


• Pedrycz, W. Gomide, F. (2007). Fuzzy systems engineering: toward human-centric computing, John Wiley & Sons.


• A. Zadeh, Fuzzy sets, Information and control 8 (1965) 3.