شناسايي نقطه ورود بهينه معاملات در بازار ارزهاي ديجيتال با استفاده از يادگيري ماشين
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
ابوالفضل یاوری خلیل آباد
1
(استاديار، گروه مهندسي کامپيوتر و فناوري اطلاعات، دانشگاه پيام نور، تهران، ايران)
حسن اعمی بنده قرایی
2
(استاديار، گروه مديريت اقتصاد و حسابداري، دانشگاه پيام نور، تهران، ايران)
سید محمدرضا هاشمی
3
(استادیار، گروه مهندسي کامپيوتر، دانشگاه ملی مهارت، تهران، ايران)
الکلمات المفتاحية: بازار رمزارزها, پیش‌بینی بازار, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, نزدیکترین همسایه, تحلیل تکنیکال,
ملخص المقالة :
در سال‌هاي اخير استفاده از مدل‌هاي يادگيري ماشين در حوزه‌هاي مختلفي مورد استفاده قرارگرفته است. از جمله اين حوزه‌ها مي‌توان به بازار رمزارزها اشاره کرد که بخش مهمي از معاملات روزانه در آن توسط ربات‌هاي معامله‌گر هوشمند انجام مي‌شود. هدف اصلي‌اين مقاله، يافتن بهترين نقطه ورود به يک معامله با کمک روش هاي يادگيري ماشيني است. در‌اين مقاله از انديکاتورهاي شاخص قدرت نسبي (RSI) و ميانگين متحرک ساده (SMA) براي استخراج چندين ويژگي روندي و تلاقي استفاده شده است. سپس با استفاده از‌اين ويژگي‌ها، مدل‌هاي يادگيري شبکه عصبي چندلايه، ماشين بردار پشتيبان و نزديکترين همسايه آموزش داده مي‌شوند. در نهايت، عملکرد هريک از مدل‌ها بر روي داده‌هاي بازار ارزهاي ديجيتال در بازه هفت ماه نخست سال 2023 براي چندين ارز ديجيتال ارزيابي شده است. نتايج نشان مي‌دهند که اولاً ويژگی هاي استخراج شده از کارايي مناسبي برخوردارند و ثانياً مدل نزديکترين همسايه، نسبت به مدل هاي ديگر، بيشترين سود را در اين بازه زماني کسب کرده است.
[1] E. Fama. “Efficient capital markets: A review of the theory”. The Journal of Finance, 25, 383–417, 1970
[2] J. Almeida, T. Cruz,”A systematic literature review of investor behavior in the cryptocurrency markets”, Journal of Behavioral and Experimental Finance, Volume 37, 2023
[3] V. Derbentsev, V. Babenko, K. Khrustalev, H. Obruch and S. Khrustalova, “Comparative performance of machine learning ensemble algorithms for forecasting cryptocurrency prices”. International Journal of Engineering, 34, 140–148, 2021
[4] C. Conrad, A. Custovic and E. Ghysels, “Long-and short-term cryptocurrency volatility components: A GARCH-MIDAS analysis”. Journal of Risk and Financial Management, 11(2), 23, 2018
[5] Y. Liu and A. Tsyvinski, “Risks and returns of cryptocurrency”. The Review of Financial Studies, 34(6), 2689–2727, 2021
[6] R. C. Phillips and D. Gorse, “Predicting cryptocurrency price bubbles using social media data and epidemic modelling”. In 2017 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-7). IEEE, 2017
[7] F. Valencia, A. Gomez-Espinosa and B. Valdes-Aguirre, “Price movement prediction of cryptocurrencies using sentiment analysis and machine learning”. Entropy, 21(6), 589, 2019
[8] A. Yavari, H. Hassanpour, B. Rahimpour and M. Mahdavi, “Event prediction in social network through Twitter messages analysis. Social Network Analysis and Mining”. 12. 10.1007/s13278-022-00911-x. 2022
[9] E. Bouri, C. K. Lau, B. Lucey and D. Roubaud, “Trading volume and the predictability of return and volatility in the cryptocurrency market”. Finance Research Letters, 29, 340–346, 2019
[10] W. Zhengyang, L. Xingzhou, R. Jinjin and K. Jiaqing, “Prediction of cryptocurrency price dynamics with multiple machine learning techniques”. In Proceedings of the 2019 4th International Conference on Machine Learning Technologiesو (pp. 15–19), 2019
[11] Hajighorbani, Hashemi, Broumandnia, faridpour, “a review of some semi-supervised learning methods”, Journal of Knowledge-Based Engineering and Information”, 2(4), 2013
[12] S. Ansaripour, T. J. Gandomani, “Comparison of the classification methods in software development effort estimation”, Intelligent Multimedia Processing and Communication Systems(IMPCS), 3(2), 11-18, 2022
[13] T. E. Koker and D. Koutmos, “Cryptocurrency trading using machine learning”. Journal of Risk and Financial Management, 13(8), 178, 2020
[14] G. Attanasio, L. Cagliero, P. Garza and E. Baralis, “Quantitative cryptocurrency trading: Exploring the use of machine learning techniques”. In In Proceedings of the 5th Workshop on Data Science for Macro-Modeling with Financial and Economic Datasetsو (pp. 1–6). 2019.
[15] E. Akyildirim, A. Goncu and A. Sensoy, “Prediction of cryptocurrency returns using machine learning”. Annals of Operations Research, 297(1), 3–36, 2021
[16] Z. Dongna, H. Xihui, L. Chi Keung and X. Bing, “Implications of cryptocurrency energy usage on climate change”, Technological Forecasting and Social Change”, Volume 187, 2023,
[17] M. Kumbure, C. Lohrmann, P. Luukka and J. Porras, “Machine learning techniques and data for stock market forecasting: A literature review”, Expert Systems with Applications”, Volume 197, 2022
