شبیه سازی و پیش بینی عوامل موثر بر قیمت بیت کوین با بهره گیری از الگوریتم هوش جمعی GSA و شبکه عصبی مصنوعی
محورهای موضوعی : Financial Economicsسید عزیز آرمن 1 , سید امین منصوری 2 * , عارف بهروز 3
1 - استاد اقتصاد ، گروه اقتصاد ، دانشکده اقتصاد و علوم اجتماعی ، دانشگاه شهید چمران اهواز ، اهواز ، ایران
2 - گروه اقتصاد، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، ایران
3 - گروه اقتصاد، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، ایران
کلید واژه: شبیه سازی, رمرزارز, بیت کوین, الگوریتم هوش جمعی GSA, شبکه عصبی,
چکیده مقاله :
توجه به رشد روزافزون قیمت بیتکوین و اینکه بازار رمز ارزها نیز با مخاطراتی همراه است؛ سرمایهگذاران باید با دقت به تحلیل و مدیریت ریسک پرداخته و انتخابهای خود را با بررسی دقیق انجام دهند. در این تحقیق با استفاده از الگوریتم جستجوی گرانشی (GAS) و شبکه عصبی مصنوعی، شبیهسازی و پیشبینی مدل قیمتی بیتکوین در دو دوره قبل و دوره همهگیری COVID- 19 انجام شده است. برای این منظور، تعداد معاملات روزانه بیتکوین، سختی استخراج روزانه شبکه بیتکوین، تعداد بیتکوین در گردش بیتکوین، قیمت روزانه طلا، S&P500، شاخص قیمت سهام بورس نیویورک، نرخ مبادله میان ارزهای دلار و یورو، تعداد پستهای ارسالی در توییتر و تعداد جستجوی کلمات مرتبط با بیتکوین در گوگل به عنوان متغیرهای اثرگذار بر قیمت بیتکوین استفاده شده است. نتایج تحقیق نشان میدهد که براساس معیارهای دقت برازش به خصوص میانگین درصد خطای مطلق، قبل از همهگیری کرونا مدل برتر فرم کاب داگلاس بوده و دارای دقت بالاتری شبیهسازی شده است و با همهگیری کرونا مدل برتر تغییر نکرده و همچنان فرم کاب داگلاس بوده است. از طرفی مشخص گردید که دقت شبیهسازی مدل برتر بعد از از همهگیری کرونا افزایش یافته است. میزان خطا بر اساس شبکه عصبی مصنوعی 1% به عبارتی دقت پیشبینی 99% است که نشان میدهد شبکه عصبی مصنوعی از دقت پیشبینی بسیار بالایی برخوردار است.
Considering the increasing growth of Bitcoin price and the fact that the cryptocurrency market is also associated with risks; investors should carefully analyze and manage risk and make their choices with careful consideration. In this research, using the Gravity Search Algorithm (GAS) and artificial neural network, the Bitcoin price model was simulated and predicted in the previous two periods and the COVID-19 pandemic period. For this purpose, the number of daily Bitcoin transactions, the daily mining difficulty of the Bitcoin network, the number of Bitcoins in circulation, the daily price of gold, S&P500, the New York Stock Exchange Stock Price Index, the exchange rate between the dollar and the euro, the number of posts sent on Twitter, and the number of searches for words related to Bitcoin on Google were used as variables affecting the Bitcoin price. The results of the study show that based on the criteria of fitting accuracy, especially the average absolute error percentage, before the coronavirus pandemic, the superior model was the Cobb-Douglas form and had higher simulation accuracy, and with the coronavirus pandemic, the superior model did not change and was still the Cobb-Douglas form. On the other hand, it was found that the simulation accuracy of the superior model increased after the coronavirus pandemic. The error rate based on the artificial neural network is 1%, in other words, the prediction accuracy is 99%, which shows that the artificial neural network has a very high prediction accuracy.
رودری، سهیل، & همایونی فر، مسعود. (1400). بررسی تاثیر شیوع ویروس کرونا بر بازار سهام ایران با لحاظ تغییرات رژیم. پژوهشهای اقتصادی ایران، 26(87)، 195-227. doi: 10.22054/ijer.2020.51202.851
کاظم نژاد، مهدی، & گیلانپور، امید. (1393). مقایسه روشهای اقتصادسنجی و شبکههای عصبی مصنوعی در پیشبینی مقدار واردات ذرت ایران. اقتصاد کشاورزی و توسعه، 22(1)، 213-235. doi: 10.30490/aead.2014.58850
زراء نژاد، منصور & منصوری، سید امین. (1393). شبیه¬سازی پویای نرخ بیکاری در ایران. مطالعات و سیاستهاي اقتصادي. شماره 101، 75 -106.
منصوری، سید امین، فرازمند، حسن، & افقه، سید مرتضی. (1400). بررسی تاب آوری اقتصادی در صنایع کوچک و متوسط استان خوزستان ناشی از همه گیری ویروس سارس-کو2 (کرونا). اقتصاد باثبات، 2(3)، 1-30. doi: 10.22111/sedj.2021.40408.1153
منصوری، سید امین. افقه، سید مرتضی& هشداری، مریم. (1401). مدلسازی تاثیر پاندمی کرونا بر فعالیت صنایع: کاربرد تجزیه وتحلیل موجک در صنایع منتخب بورس اوراق بهادار تهران. فصلنامه نظریه¬های کاربردی اقتصاد. سال نهم. شماره 1، 206-175 10.22034/ECOJ.2022.50359.3018:
Aalborg, H. A., Molnár, P., & de Vries, J. E. (2019). What can explain the price, volatility and trading volume of Bitcoin? Finance research letters, 29, 255-265.
Alex Kruger, Economist Predicts Runs for Bitcoin, Altcoins and Memecoins, Sees March 2025 Turbulence, Proceedings of the 2022 6th International Conference on Deep Learning Technologies, 101 - 108.
Barber, S., Boyen, X., Shi, E., & Uzun, E. (2012). Bitter to better—how to make bitcoin a better currency. Paper presented at the Financial Cryptography and Data Security: 16th International Conference, FC 2012, Kralendijk, Bonaire, Februray 27-March 2, 2012, Revised Selected Papers 16.
Barro, R. J. (1979). Money and the price level under the gold standard. The economic journal, 89(353), 13-33.
Bouoiyour, J., Selmi, R., & Tiwari, A. (2014). Is Bitcoin business income or speculative bubble? Unconditional vs. conditional frequency domain analysis.
Buchholz, M., Delaney, J., Warren, J. P. J., & Parker, J. (2012). Bits and Bets Information, Price Volatility, and Demand for Bitcoin Economics 312, Spring; 2012. Google Scholar, 2-48.
Ciaian, P., Rajcaniova, M., & Kancs, d. A. (2016). The economics of BitCoin price formation. Applied economics, 48(19), 1799-1815.
Dimitrova, D. (2005). The relationship between exchange rates and stock prices: Studied in a multivariate model. Issues in political Economy, 14(1), 3-9.
Dyhrberg, A. H. (2016). Hedging capabilities of bitcoin. Is it the virtual gold? Finance research letters, 16, 139-144.
Garcia, D., Tessone, C. J., Mavrodiev, P., & Perony, N. (2014). The digital traces of bubbles: feedback cycles between socio-economic signals in the Bitcoin economy. Journal of the royal society interface, 11(99), 20140623.
Gervais, S., Kaniel, R., & Mingelgrin, D. H. (2001). The high‐volume return premium. The Journal of Finance, 56(3), 877-919.
Grullon, G., Kanatas, G., & Weston, J. P. (2004). Advertising, breadth of ownership, and liquidity. The Review of Financial Studies, 17(2), 439-461.
Hazlett, P. K., & Luther, W. J. (2020). Is bitcoin money? And what that means. The Quarterly Review of Economics and Finance, 77, 144-149.
He, M. D., Habermeier, M. K. F., Leckow, M. R. B., Haksar, M. V., Almeida, M. Y., Kashima, M. M.,... Stetsenko, N. (2016). Virtual currencies and beyond: initial considerations: International Monetary Fund.
Horn, J., Nafpliotis, N., & Goldberg, D. E. (1994). A niched Pareto genetic algorithm for multiobjective optimization. Paper presented at the Proceedings of the first IEEE conference on evolutionary computation. IEEE world congress on computational intelligence.
Htay, K. M., Othman, R. R., Amir, A., & Alkanaani, J. M. H. (2022). Gravitational search algorithm based strategy for combinatorial t-way test suite generation. Journal of King Saud University-Computer and Information Sciences, 34(8), 4860-4873.
Jiang, Z. (2022). Prediction of Bitcoin Price Since COVID-19 by Using Neural Network Models. Paper presented at the Proceedings of the 2022 6th International Conference on Deep Learning Technologies.
Kaastra, I., & Boyd, M. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215-236.
Khalid, A. M. (1999). Modelling money demand in open economies: the case of selected Asian countries. Applied economics, 31(9), 1129-1135.
Kristoufek, L. (2013). BitCoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era. Scientific reports, 3(1), 3415.
Krugman, P. R., & Obstfeld, M. (2009). International Economics: Theory and Policy: Pearson Addison-Wesley.
Lee, T. (2014). These four charts suggest that Bitcoin will stabilize in the future. Washington Post.
Mishkin, F. S. (2007). The economics of money, banking, and financial markets: Pearson education.
Palombizio, E., & Morris, I. (2012). Forecasting exchange rates using leading economic indicators. Open Access Scientific Reports, 1(8), 1-6.
Panagiotidis, T., Stengos, T., & Vravosinos, O. (2018). On the determinants of bitcoin returns: A LASSO approach. Finance research letters, 27, 235-240.
Sharif, A., Brahim, M., Dogan, E., & Tzeremes, P. (2023). Analysis of the spillover effects between green economy, clean and dirty cryptocurrencies. Energy Economics, 120, 106594.
Urquhart, A. (2018). What causes the attention of Bitcoin? Economics letters, 166, 40-44.
Van Wijk, D. (2013). What can be expected from the BitCoin. Erasmus Universiteit Rotterdam, 18.
Vellido, A., Lisboa, P. J., & Vaughan, J. (1999). Neural networks in business: a survey of applications (1992–1998). Expert Systems with applications, 17(1), 51-70.
Wagner, A. F. (2020). What the stock market tells us about the post-COVID-19 world. Nature Human Behaviour, 4(5), 440-440.
Whelan, K. (2013). How is bitcoin different from the dollar? Forbes. November 19th. URL: Http://Www.Forbes.Com/Sites/Karlwhelan/2013/11/19/How-Isbitcoin-Different-fromthe-Dollar . (Collected: 2018-08-22).
Wu, C. Y., Pandey, V. K., & Dba, C. (2014). The value of Bitcoin in enhancing the efficiency of an investor’s portfolio. Journal of Financial Planning, 27(9), 44-52.
Yermack, D. (2024). Is Bitcoin a real currency? An economic appraisal. In Handbook of digital currency (pp. 29-40): Elsevier.