پیش بینی روند بیت کوین با استفاده از سیستم های یادگیری الگوریتمی

مجوز MDPI ، بازل ، سوئیس. این مقاله یک مقاله دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC توسط) توزیع شده است (http://creativeecommons. org/licenses/by/4. 0/).

داده های مرتبط

داده های قیمت بیت کوین در صورت درخواست قابل ارائه است. علاوه بر این ، تمام اسکریپت های برنامه نویسی در صورت درخواست ارائه می شود.

خلاصه

این تحقیق توانایی دو روش پیش بینی برای پیش بینی روند قیمت بیت کوین را بررسی کرده است. این تحقیق بر اساس بیت کوین - قیمت دلار آمریکا از ابتدای سال 2012 تا پایان مارس 2020 انجام شده است. چنین مدت طولانی که شامل دوره های بی ثبات با بالا و پایین آمدن قوی است ، چالش هایی را برای هر سیستم پیش بینی ایجاد می کند. ما از بهینه سازی swarm ذرات برای یافتن بهترین ترکیبات پیش بینی تنظیمات استفاده می کنیم. نتایج نشان می دهد که تغییرات قیمت بیت کوین از فرضیه بازار کارآمد "پیاده روی تصادفی" پیروی نمی کند و هم تکنیک های Darvas Box و هم تکنیک های رگرسیون خطی می توانند به تجار کمک کنند تا روند قیمت بیت کوین را پیش بینی کنند. ما همچنین می دانیم که هر دو روش پیش بینی بهتر از یک روند صعودی را انجام می دهند. بهترین راه اندازی استراتژی جعبه Darvas شش روز تشکیل است. یک سیگنال بالادنده جعبه DARVAS با پیش بینی چهار بازده متوالی روزانه در حالی که یک سیگنال نزولی پس از دو روز به طور متوسط محو می شود ، کارآمد شد. بهترین تنظیم برای مدل رگرسیون خطی 42 روز با 1 انحراف استاندارد است.

1. معرفی

از آنجا که قیمت بیت کوین شامل نوسانات بالایی است (به عنوان مثال: Baek و Elbeck [1]) ، معامله گران ممکن است از استفاده از سیستم های تجاری کوتاه مدت بهره مند شوند. کمبود تحقیقاتی وجود دارد که سعی در تنظیم و بهینه سازی چنین سیستم هایی با تغییرات قیمت بیت کوین دارد. Gharehchopogh و همکاران.[2] ثابت کرد که رگرسیون خطی می تواند حجم تجارت S& P 500 را پیش بینی کند. Tiong و همکاران.[3] از معادله رگرسیون خطی برای تجزیه و تحلیل و کشف الگوهای روندها در بازارهای فارکس استفاده کرد و دریافت که این رویکرد سودمند است. مونیم و همکاران.[4] پیش بینی قیمت بیت کوین روز بعد با استفاده از مدلهای Autoregrate Moving Advance (ARIMA) و Autoregression شبکه عصبی (NNAR). آزمایش Diebold Mariano که آنها انجام داده اند ، برتری نتایج پیش بینی مدل ARIMA نسبت به NNAR را در دوره های نمونه آزمایش تأیید کردند. مقاله آنها نشان می دهد که مدل آریما قدرت ماندگار پیش بینی قیمت بیت کوین بی ثبات است. Atsalakis و همکاران.[5] یک تکنیک اطلاعات محاسباتی را پیشنهاد کرد که از یک کنترلر عصبی-فازی ترکیبی برای پیش بینی جهت در تغییر قیمت روزانه بیت کوین استفاده می کند. روش پیشنهادی از دو مدل اطلاعات محاسباتی دیگر بهتر عمل می کند ، اولین مورد با یک رویکرد نورو-فازی ساده تر و دومی که با شبکه های عصبی مصنوعی توسعه یافته است. علاوه بر این ، بازده سرمایه گذاری به دست آمده توسط یک شبیه سازی معاملاتی ، بر اساس سیگنال های مدل پیشنهادی ، 71. 21 ٪ بالاتر از مواردی است که از طریق یک استراتژی خرید و خرید ساده لوح بدست می آید. همانطور که Atsalakis و همکاران.[5] ، ما همچنین نتایج سیستم های معاملاتی خود را با یک استراتژی خرید و نگهداری ساده مقایسه می کنیم.

از آنجا که ارزهای رمزنگاری نسبتاً جدید هستند ، تحقیقات کمی در مورد عوامل یا ابزارهایی وجود دارد که می تواند به افراد سرمایه گذاری در آنها کمک کند. مور و کریستین [6] خطر درگیر در مبادلات بیت کوین را مورد بررسی قرار داده اند ، که بیت کوین را به ارز سخت تبدیل می کنند و برعکس. آنها دریافتند که حجم معامله مبادله یک پروکسی خوب در مورد بسته شدن آن است. با این وجود ، در حالی که مبادلات کمتر محبوب احتمالاً خاموش می شوند ، مبادلات مردمی به احتمال زیاد دچار نقض امنیتی می شوند.

استراتژی های معاملاتی در گذشته توسط محققان مختلف توسعه داده شده است. یک رویکرد محبوب، مواجهه با معامله به عنوان یک مشکل توقف بهینه بود (به عنوان مثال، چاو و همکاران [7]). لیو و همکاران[8] رویه معاملاتی «خرید کم فروش بالا» را برای جفت ارزها مدل سازی کرد، و ثابت کرد که این استراتژی سودآور است در حالی که تنها ریسک ناشی از رانش مثبت پیش بینی شده اشتباه در هنگام سقوط بازار است. گروهی از مطالعات قیمت بیت کوین را به شبکه های اجتماعی مرتبط کردند. کیم و همکاران[9] سعی کرد با تجزیه و تحلیل نظرات موجود در جوامع آنلاین ارزهای دیجیتال، نوسانات قیمت ارزهای دیجیتال را پیش بینی کند. آنها دریافتند که نظرات مثبت کاربران به طور قابل توجهی بر نوسانات قیمت بیت کوین تأثیر می گذارد، در حالی که قیمت دو ارز دیجیتال دیگر، ریپل و اتریوم به شدت تحت تأثیر نظرات و پاسخ های منفی کاربران قرار گرفته است. گارسیا و شوایزر [10] وجود رابطه ای بین بازده بیت کوین و ظرفیت و اطلاعات قطبی شدن توییتر را نشان دادند. ماتا و همکاران[11] رابطه موجود بین حجم معاملات بیت کوین و تعداد پرس و جوها در گوگل را مورد مطالعه قرار داد. آنها مقادیر قابل توجهی همبستگی متقاطع را گزارش کردند و نشان دادند که حجم جستجوها می تواند حجم معاملات بیت کوین را پیش بینی کند. Wołk [12] نتیجه گرفت که نوسانات قیمت ارزهای دیجیتال به شدت به احساسات رسانه های اجتماعی و ابزارهای تجزیه و تحلیل جستجوی وب مانند Google Trends بستگی دارد. احساسات توییتر در مورد قیمت ارزهای دیجیتال در آینده مثبت است زیرا بسیاری از مردم در مورد ارزهای دیجیتال توییت می کنند حتی اگر قیمت آنها کاهش یابد. با این حال، پیش بینی قیمت ارزهای دیجیتال به دلیل ماهیت نوسان آنها در بازار فعلی دشوار است. آنها ترکیبی از داده های روندهای گوگل و احساسات منفی کلی را قوی ترین پیش بینی کننده ها دریافتند. علاوه بر این، آنها آزمایشی را با مبادله 100 دلاری در صرافی ارزهای دیجیتال BitBay به مدت یک ماه (دسامبر 2018) انجام دادند. پس از یک ماه، موجودی حساب آن ها به 114. 82 دلار رسید، زمانی که استراتژی خرید و نگه داشتن باعث می شد که ماه با 92 دلار با استفاده از بیت کوین، 117 دلار با استفاده از اتریوم، 94 دلار با استفاده از ریپل (XRP) و 71 دلار با استفاده از ZEC به پایان برسد. برخلاف Wołk [12]، تحقیقات ما به رویکرد سرمایه گذاری بلندمدت با استفاده از سه سال شکل گیری استراتژی و بیش از پنج سال تجارت شبیه سازی شده برای هر دو مدل Darvas Box و Linear Regression بستگی دارد. آبراهام و همکاران[13] تغییرات قیمت بیت کوین و اتریوم را با استفاده از داده های توییتر و Google Trends پیش بینی کرد.

آنها ادعا می کنند که توییتر به طور فزاینده ای به عنوان منبع خبری اطلاعاتی که بر تصمیمات خرید تأثیر می گذارد ، استفاده می شود. با تجزیه و تحلیل توییت ، آنها دریافتند که حجم صدای جیر جیر به جای احساسات توییت ، پیش بینی کننده خوبی از جهت قیمت است. با استفاده از یک مدل خطی که از داده های توییت و Google Trends استفاده می کند ، آنها توانستند جهت تغییرات قیمت را به طور دقیق پیش بینی کنند. جی و همکاران.[14] یک مدل شبکه عصبی تصادفی را برای پیش بینی قیمت cryptocurrency پیشنهاد کرد. این پیشنهاد که این رویکرد مبتنی بر تئوری پیاده روی تصادفی است ، که به طور گسترده در بازارهای مالی برای مدل سازی قیمت سهام استفاده می شود. مدل پیشنهادی برای شبیه سازی نوسانات بازار ، تصادفی لایه ای را در فعال سازی ویژگی های مشاهده شده شبکه های عصبی القا می کند. آنها مدلهای حافظه چند لایه و مدلهای حافظه کوتاه مدت را برای بیت کوین ، اتریوم و Litecoin آموزش دادند. نتایج نشان می دهد که مدل پیشنهادی نسبت به مدلهای قطعی برتر است. تقریباً تمام نسخه های تصادفی مدل های خالص عصبی از نسخه های قطعی بهتر عمل می کنند. متوسط بهبود نسبی با استفاده از شبکه های عصبی تصادفی از طریق شبکه های عصبی منظم 1. 56 ٪ بود.

گروه دیگری از مطالعات ناکارآمدی بازار بیت کوین را مورد بررسی قرار دادند. Balcilar و همکاران.[15] در مورد پیش بینی بازده و نوسانات بیت کوین بر اساس حجم معاملات بحث کرد. آنها دریافتند که وقتی وقایع شدید حذف می شوند ، حجم پیش بینی کننده مهم قیمت است. در مطالعه پویایی قیمت بیت کوین و تجارت ، بلوو [16] نتیجه گرفت که رفتار سوداگرانه نمی تواند به طور مستقیم با نوسانات غیرمعمول بازار بیت کوین مرتبط باشد. Brandvold و همکاران.[17] نقش مبادلات مختلف بیت کوین را در فرآیند کشف قیمت بررسی کرد و خاطرنشان کرد که سهم اطلاعات پویا است و با گذشت زمان به طور قابل توجهی تکامل می یابد. فنگ و همکاران.[18] شواهدی از تجارت آگاهانه در بازار بیت کوین قبل از وقایع مهم پیدا کرد. علاوه بر این ، هنگام بررسی زمان معاملات آگاهانه ، آنها متوجه شدند که معامله گران آگاه ترجیح می دهند دو روز قبل از وقایع مثبت و یک روز قبل از وقایع منفی بزرگ ، موقعیت های خود را بسازند. این نتیجه به عنوان اثبات ناکارآمدی بازار است که بازرگانان ناآگاه را از معامله گران آگاه بیت کوین متمایز می کند. Caporale و Plastun [19] روز اثر هفته را در بازار رمزنگاری بررسی کردند. آنها مشخص کردند که بیشتر ارزهای رمزنگاری شده مانند Litecoin ، Ripple و Dash این ناهنجاری را نشان نمی دهند. تنها استثناء بیت کوین است که بازده آن روزهای دوشنبه به طور قابل توجهی بالاتر از روزهای دیگر هفته است.

همانطور که در بالا توضیح داده شد ، تحقیقات بیت کوین عمدتاً بر دو عامل متمرکز است: تأثیر رسانه های اجتماعی بر قیمت رمزنگاری و ناهنجاری های بازار. اثربخشی جعبه های DARVAS و تکنیک های رگرسیون خطی برای پیش بینی روند بیت کوین و معاملات هرگز در تحقیقات قبلی مورد آزمایش قرار نگرفته است. در تحقیقات زیر ، ما از دستگاه بردار پشتیبانی (SVM) برای پیش بینی روند قیمت بیت کوین استفاده کردیم. SVM تکنیکی از یادگیری تحت نظارت است که یک دستگاه را قادر می سازد دانش را از داده های آموزش یاد بگیرد و از آن استفاده کند و یک عملکرد استنباطی را تولید کند که می تواند برای نقشه برداری از مثالهای جدید و پیش بینی وقایع آینده استفاده شود. هر مثال از یک اشیاء ورودی و یک مقدار خروجی مورد نظر تشکیل شده است که به عنوان یک سیگنال نظارتی عمل می کند. نمونه های آموزش معمولاً به عنوان بردار در یک طیف خطی نشان داده می شوند. یک عامل طبقه بندی باید دستگاه را قادر به تمایز بین نمونه های آموزش مثبت و منفی کند. یک روش شناخته شده SVM تکنیک های طبقه بندی نامیده می شود که با تجزیه و تحلیل داده ها و شناخت الگوها بر پیش بینی پاسخ کیفی متمرکز است.

الگویی که برای قیمت های بیت کوین گذشته اعمال شده است ، الگوی معروف جعبه Darvas است که معمولاً توسط تحلیلگران سهام و کالاها استفاده می شود. نیکلاس دارواس نظریه خود را در دهه 1950 در حالی که به جهان به عنوان یک رقصنده حرفه ای سالن اجتماعات سفر می کرد ، توسعه داد. تکنیک معاملات وی شامل ترسیم جعبه در اطراف اوج و پایین ترین دارایی های مالی برای تعیین نقطه ورود و قرار دادن دستور توقف از دست دادن است. این تئوری از تئوری حرکت بازار به همراه تجزیه و تحلیل فنی برای تعیین زمان ورود و خروج از بازار استفاده می کند. دارواس معتقد بود که روش وی در هنگام استفاده از صنایع با بیشترین پتانسیل برای تحریک سرمایه گذاران و مصرف کنندگان با محصولات انقلابی به بهترین وجه کار می کند. این واقعیت که بیت کوین از نظر ارز دیجیتالی بدون بانک مرکزی یا یک مدیر یا واسطه دیگر ، نسبتاً جدید و انقلابی است ، سرمایه گذاران را مجذوب خود کرده است. این خصوصیات آن را به عنوان کاندیدای مناسبی برای پیش بینی روند قیمت با استفاده از تکنیک جعبه های Darvas تبدیل می کند.

از زمان معرفی آن در سال 2009 ، ارزش بیت کوین با نوسانات افزایش یافته و کاهش یافته است که دستیابی به سودهای مثبت در سرمایه گذاری آنها را برای سرمایه گذاران دشوار کرده است. در نتیجه ، سرمایه گذاران به دنبال الگوریتم هایی هستند تا به آنها در بهبود توانایی پیش بینی سرمایه گذاری خود کمک کنند. هنگام توسعه سیستم ، از تکنیک های معاملات Darvas به طور مکرر در مورد رشد و سهام های بی ثبات استفاده می شود. با این حال ، هرگز در مورد پیش بینی قیمت بیت کوین محاکمه نشده است. رگرسیون خطی یک روش یادگیری تحت نظارت است که معمولاً در پیش بینی ، پیش بینی و یافتن روابط بین داده های کمی مورد استفاده قرار می گیرد. این یکی از اولین تکنیک های یادگیری است که هنوز هم به طور گسترده مورد استفاده قرار می گیرد. یک خط رگرسیون خطی یک خط مستقیم است که به بهترین وجه متناسب با قیمت ها بین نقطه شروع قیمت و یک نقطه قیمت پایان است."بهترین تناسب" به این معنی است که یک خط در جایی ساخته می شود که کمترین فضای بین نقاط قیمت و خط رگرسیون خطی واقعی وجود داشته باشد. هنگامی که قیمت ها زیر خط رگرسیون خطی قرار دارند ، این می تواند توسط برخی از معامله گران به عنوان زمان مناسبی برای خرید مشاهده شود و وقتی قیمت ها بالاتر از خط رگرسیون خطی باشد ، ممکن است یک معامله گر بفروشد. بهینه سازی پیچیده با استفاده از بهینه سازی swarm ذرات ، (که در بخش 3 توضیح داده می شود) انجام شد که توسط کندی و ابربرت ساخته شده است (کندی و ایبرهارت [20] ؛ ابرهارت و همکاران [21]).

2. مواد و روشها

2. 1جعبه دار