پیش‌بینی قیمت رمز ارز بیت کوین با استفاده از شبکه عصبی مصنوعی بهینه‌سازی شده توسط الگوریتم‌های بهینه‌سازی فراابتکاری
آیدین ابوطالبی
1
(
علوم تحقیقات، تهران، ایران
)
کامبیز پیکارجو
2
(
علوم تحقیقات، تهران، ایران
)
ابراهیم رضایی
3
(
علوم تحقیقات، تهران، ایران
)
رحیم خانیزاد
4
(
علم و صنعت، تهران، ایران
)
کلید واژه: پیش‌بینی قیمت رمز ارز, شبکه عصبی مصنوعی, بیت کوین, الگوریتم‌های بهینه‌سازی فراابتکاری,
چکیده مقاله :
رمز ارزها، ارزهای دیجیتالی مبتنی بر فناوری بلاک‌چین هستند که با استفاده از تکنولوژی رمزنگاری، امنیت و کنترل ایجاد واحدهای جدید را تأمین می‌کنند و به صورت مستقل از بانک‌ها و دولت‌ها عمل می‌کنند. بیت‌کوین، اتریوم و لایت‌کوین از معروف‌ترین رمز ارزها هستند که برای تبادل ارزش و سرمایه‌گذاری استفاده می‌شوند. پیش‌بینی قیمت این ارزها با تحلیل داده‌های تاریخی و عوامل مؤثر بر بازار انجام می‌شود تا به سرمایه‌گذاران در تصمیم‌گیری بهتر کمک کند. برای موفقیت در بازارهای مالی، تخصص و آگاهی ضروری است؛ لذا سرمایه‌گذاران همواره به دنبال روش‌هایی برای پیش‌بینی دقیق‌تر قیمت رمزارزها، به‌ویژه بیت کوین، هستند. با پیشرفت کامپیوترها و افزایش قدرت پردازشی آن‌ها، روشهای هوش مصنوعی مانند شبکه‌های عصبی مصنوعی به ابزارهایی برای پیش‌بینی دقیق‌تر قیمت رمز ارزها تبدیل شده‌اند. در این پژوهش، به پیش‌بینی قیمت رمز ارز بیت کوین در بازه‌های زمانی کوتاه‌مدت (10روزه) و بلندمدت (30 روزه) با استفاده از شبکه عصبی مصنوعی بهینه سازی شده توسط شش الگوریتم بهینه‌سازی فراابتکاری به نام‌های الگوریتم بهینه ساز سیاسی (PO)، الگوریتم سلسله مراتب رتبه در شرکت (HBO)، الگوریتم بهینه ساز رنگ‌های تصادفی (SPO)، الگوریتم ساخت اهرام جیزه (GPC)، الگوریتم بهینه ساز شاهین آتشین (FHO) و الگوریتم بهینه ساز روباه (FOX) پرداخته شده و نتایج این شش حالت با یکدیگر مقایسه شده است. نتایج نشان می‌دهد که در بازه زمانی کوتاه مدت 10 روزه و بلند مدت 30 روزه، شبکه عصبی بهینه‌سازی شده توسط الگوریتم GPC به ترتیب با ضریب تعیین 88/0 و 72/0 بهتر از سایر الگوریتم‌ها بوده است.
چکیده انگلیسی :
Cryptocurrencies are digital currencies that use cryptographic technology to secure and control the creation of new units. These currencies operate independently of banks and governments and are usually based on blockchain technology. Blockchain is a distributed ledger that records and verifies all transactions. Some of the most well-known cryptocurrencies include Bitcoin, Ethereum, and Litecoin. Cryptocurrencies are used as a means of exchanging value, investing and even conducting online transactions. Cryptocurrency price forecasting refers to the process of analyzing and evaluating historical data and factors affecting the market with the aim of estimating the future price of these assets. This forecast can help investors and traders make better buying and selling decisions. Participation in financial markets requires having sufficient expertise and knowledge; For this reason, investors have long been looking for solutions that can more accurately predict the price of cryptocurrencies, especially Bitcoin. Due to the increasing progress of computers and the increase in their processing power, the use of artificial intelligence methods, especially artificial neural networks, has become a tool for predicting the price of cryptocurrencies. In this research, Bitcoin price prediction in short-term (10-day) and long-term (30-day) intervals is conducted using an artificial neural network optimized by six metaheuristic optimization algorithms: (PO), (HBO), (SPO), (GPC), (FHO) and (FOX). The results of these six cases were compared with each other.
Aggarwal, A., Gupta, I., Garg, N., & Goel, A. (2019). Deep learning approach to determine the impact of socio economic factors on bitcoin price prediction. Paper presented at the 2019 twelfth international conference on contemporary computing (IC3).
Akba, F., Medeni, I. T., Guzel, M. S., & Askerzade, I. J. I. A. (2021). Manipulator detection in cryptocurrency markets based on forecasting anomalies. 9, 108819-108831.
Askari, Q., Saeed, M., & Younas, I. J. E. S. w. A. (2020). Heap-based optimizer inspired by corporate rank hierarchy for global optimization. 161, 113702.
Askari, Q., Younas, I., & Saeed, M. J. K.-b. s. (2020). Political Optimizer: A novel socio-inspired meta-heuristic for global optimization. 195, 105709.
Azizi, M., Talatahari, S., & Gandomi, A. H. J. A. I. R. (2023). Fire Hawk Optimizer: A novel metaheuristic algorithm. 56(1), 287-363.
Chhajer, P., Shah, M., & Kshirsagar, A. J. D. A. J. (2022). The applications of artificial neural networks, support vector machines, and long–short term memory for stock market prediction. 2, 100015.
Choithani, T., Chowdhury, A., Patel, S., Patel, P., Patel, D., & Shah, M. J. A. o. D. S. (2024). A comprehensive study of artificial intelligence and cybersecurity on bitcoin, crypto currency and banking system. 11(1), 103-135.
Dutta, A., Kumar, S., Basu, M. J. J. o. r., & management, f. (2020). A gated recurrent unit approach to bitcoin price prediction. 13(2), 23.
Engelbrecht, A. P. (2007). Computational intelligence: an introduction: John Wiley & Sons.
Harifi, S., Mohammadzadeh, J., Khalilian, M., & Ebrahimnejad, S. J. E. I. (2021). Giza Pyramids Construction: an ancient-inspired metaheuristic algorithm for optimization. 14(4), 1743-1761.
Hassani, H., Huang, X., & Silva, E. (2018). Big-Crypto: Big Data, Blockchain and Cryptocurrency. 2(4), 34.
Hornik, K., Stinchcombe, M., & White, H. J. N. n. (1989). Multilayer feedforward networks are universal approximators. 2(5), 359-366.
Hussein, N., & Abdulazeez, A. M. J. I. J. o. C. S. (2024). Bitcoin Price Prediction Using Hybrid LSTM-GRU Models. 13(1).
Katsiampa, P. J. E. l. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. 158, 3-6.
Kaveh, A., Talatahari, S., & Khodadadi, N. J. E. w. C. (2022). Stochastic paint optimizer: theory and application in civil engineering. 1-32.
Koker, T. E., Koutmos, D. J. J. o. R., & Management, F. (2020). Cryptocurrency trading using machine learning. 13(8), 178.
McNally, S., Roche, J., & Caton, S. (2018). Predicting the price of bitcoin using machine learning. Paper presented at the 2018 26th euromicro international conference on parallel, distributed and network-based processing (PDP).
Mohammed, H., & Rashid, T. J. A. I. (2023). FOX: a FOX-inspired optimization algorithm. 53(1), 1030-1050.
Shahbazi, Z., & Byun, Y.-C. J. S. (2022). Knowledge discovery on cryptocurrency exchange rate prediction using machine learning pipelines. 22(5), 1740.
Shi, Y., Tian, Y., Kou, G., Peng, Y., & Li, J. (2011). Optimization based data mining: theory and applications: Springer Science & Business Media.
Sin, E., & Wang, L. (2017). Bitcoin price prediction using ensembles of neural networks. Paper presented at the 2017 13th International conference on natural computation, fuzzy systems and knowledge discovery (ICNC-FSKD).
Smith, M. (1993). Neural networks for statistical modeling: Thomson Learning.
Tayib, H., & Abdulazeez, A. M. J. I. J. o. C. S. (2024). A Review of Bitcoin Price Prediction Based on Deep Learning Algorithms. 13(2).
Umer, Q., Li, J.-W., Ashraf, M. R., Bashir, R. N., & Ghous, H. J. I. A. (2023). Ensemble deep learning based prediction of fraudulent Cryptocurrency transactions.
Xiong, L., & Lu, Y. (2017). Hybrid ARIMA-BPNN model for time series prediction of the Chinese stock market. Paper presented at the 2017 3rd International conference on information management (ICIM).
ابوصالح, م., کاوه خلیلی, د., فرشید, ع., & سهیلا, س. (1400). پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق. مطالعات مدیریت صنعتی, 19(61), 125-146. الهام, ع., فاطمه, خ., & بهزاد, ه. (1401). طراحی مدلی مشارکتی با استفاده از الگوریتم های هوش مصنوعی به منظور پیش بینی قیمت بیت کوین. Paper presented at the دومین کنفرانس مکانیک،برق ،مهندسی هوافضا و علوم مهندسی. https://civilica.com/doc/1448408/
بشیری, م., & پاریاب, س. J. ا. ک. (2020). پیش بینی قیمت بیت کوین با استفاده از الگوریتم های یادگیری ماشین. 10(34 و 35 (پاییز و زمستان 99)), 1-13.
سعید, ن., & امیر, ن. (1399). استفاده از گراف معامله بیت کوین و الگوریتم های یادگیری ماشین برای پیش بینی قیمت بیت کوین. Paper presented at the چهارمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی. https://civilica.com/doc/1238763/
سکینه صیادی, ن., علی اسماعیل, ز., & محمدرضا, ر. (1402). ارائه مدل پیش بینی بازدهی بیت کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL). اقتصاد مالی, 17(62), 217-238.
کیارش, آ., & عباس, ک. (1393). بررسی روشهای سنتی و مدرن پیش بینی قیمت سهام در بازار بورس و معرفی روش بهینه. Paper presented at the اولین همایش ملی پژوهش های مهندسی رایانه. https://civilica.com/doc/347317/
محمدباقر, م. (1381). مبانی شبکه‌های عصبی هوش محاسباتی (Vol. 0): دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، واحدتفرش، مرکز نشر پروفسور.