پیش بینی هوشمندانه با سیستم های تجارت یادگیری ماشین در بازار بیت کوین داخل هرج و مرج

با توجه به افزایش قابل توجه در تجارت cryptocurrency در سیستم عامل های blockchain دیجیتال ، استفاده از سیستم های یادگیری ماشین پیشرفته برای پیش بینی قوی داده های بسیار غیرخطی و پر سر و صدا ، محبوبیت بیشتری را توسط نمایندگان بازار فردی و نهادی به دست می آورد. هدف از مطالعه ما ارزیابی مقایسه ای مجموعه ای از سیستم های هوش مصنوعی در پیش بینی سری قیمت بیت کوین با فرکانس بالا است. ما از سه مجموعه مختلف از مدل ها ، یعنی رویکردهای آماری یادگیری ماشین از جمله رگرسیون بردار پشتیبانی (SVR) و رگرسیون گاوسی پواسون (GRP) ، مدلهای الگوریتمی مانند درختان رگرسیون (RT) و همسایگان K (KNN) و سرانجام مصنوعی استفاده می کنیم. توپولوژی های شبکه عصبی مانند Feedforward (FFNN) ، تنظیمات بیزی (BRNN) و شبکه های عملکردی پایه شعاعی (RBFNN). به بهترین دانش ما ، این اولین بار است که یک بررسی تجربی گسترده از پیش بینی مقایسه ای مدلهای مختلف یادگیری ماشین در تجارت با فرکانس بالا بیت کوین انجام می شود. تجزیه و تحلیل آنتروپی نمونه های آموزش و آزمایش ، صفات حافظه طولانی ، سطح بالای تصادفی و پیچیدگی توپولوژیکی را نشان می دهد. وجود پویایی غیرخطی ذاتی سری زمانی بیت کوین ، استفاده از تکنیک های یادگیری ماشین های پیشرفته را کاملاً منطقی می کند. مقادیر پارامتر بهینه برای SVR ، GRP و KNN از طریق بهینه سازی بیزی یافت می شود. بر اساس معیارهای متنوع عملکرد ، نتایج ما نشان می دهد که BRNN دقت برجسته ای را در پیش بینی ارائه می دهد ، در حالی که همگرایی آن بدون مانع و بسیار سریع است. برتری کلی شبکه های عصبی مصنوعی به دلیل ویژگی های پردازش موازی است که به طور موثری تصمیم گیری انسان را در حضور روابط اساسی ورودی و خروجی غیرخطی در محیط های سیگنال پر سر و صدا تقلید می کند.

معرفی

حدود ده سال پیش ، cryptocurrency به عنوان یک سرمایه گذاری جایگزین در چارچوب یک سیستم پول دیجیتال همکار به همسالان معرفی شد. جالب اینجاست که ، در سالهای اخیر ، حجم عملیات روزانه به طرز چشمگیری افزایش می یابد و سرمایه گذاری کل بازار Cryptocurrency تقریباً 202 میلیارد دلار است [1]. در این راستا ، مطالعات مختلفی برای بررسی پویایی بازارهای دیجیتال ، از جمله نقشه برداری از رمزنگاری ها به هواپیماهای علیت پیچیدگی-آنتروپی انجام شده است [2] ، خوشه بندی سلسله مراتبی آگلومراتیو [3] ، مدل سازی نوسانات [4،5] ، تجزیه و تحلیل چند منظوره [6]، [7] ، [8] ، [9] ، آسیب پذیری در معرض خطر [10] و پیش بینی نوسانات [11]. به تازگی ، پیش بینی دقیق ارزهای رمزنگاری شده برای محققان و معامله گران کمی که به منظور ایجاد سود در مدل سازی زمان متمرکز هستند ، مورد علاقه ویژه ای برای محققان و بازرگانان کمی است. در ادبیات ، مدلهای پیش بینی مختلفی برای پیش بینی قیمت های رمزنگاری روزانه از جمله ، یادگیری عمیق [12،13] ، شاخص های α-sutte و ARIMA [14] ، انتخاب مدل پویا و میانگین [15] ، زنجیره های نمودار [16] اجرا شده است. سیستم های عصبی-فازی [17] ، مدل های اتورگرایی وکتور [15] و تکنیک های دستگاه تقویت شیب نور [18]. با این حال ، هنوز هم فرصتی برای اجرای سایر روشهای پیشرفته برای دستیابی به پیشرفت در پیش بینی ها ، مانند رویکردهای پیشرفته یادگیری ماشین ترکیبی وجود دارد.

تحقیقات ما عملکرد هفت سیستم یادگیری ماشین را در پیش بینی داده های بیت کوین با فرکانس فوق العاده بالا انجام و مقایسه می کند. ما از دو مدل آماری ، دو مدل الگوریتمی و سه رویکرد هوش مصنوعی استفاده می کنیم. مدل های یادگیری ماشین آماری شامل مدل های رگرسیون بردار پشتیبانی (SVR) و مدل های رگرسیون گاوسی پواسون (GRP) است ، در حالی که مدل های الگوریتمی شامل درختان رگرسیون (RT) و الگوریتم K-enearest همسایگان (K NN) هستند. سرانجام ، روشهای هوش مصنوعی شامل شبکه های عصبی تغذیه ای (FFNN) ، شبکه منظم سازی بیزی (BRNN) و شبکه های عملکردی پایه شعاعی (RBFNN) است. به طور کلی ، هفت سیستم پیش بینی کننده یادگیری ماشین جداگانه به سمت پیش بینی کارآمد قیمت های بیت کوین داخل روز استفاده می شوند. به طور خاص ، رگرسیون بردار پشتیبانی (SVR) [19] داده های ورودی-خروجی را بر روی یک هواپیمای غیرخطی ترسیم می کند. مزیت اصلی SVR استفاده از اصل به حداقل رساندن ریسک ساختاری است ، یعنی به حداقل رساندن حد بالایی از خطای تعمیم به جای اجرای به حداقل رساندن ریسک تجربی از خطای آموزش [19] ، از این رو به لحاظ نظری به یک بهینه جهانی دست پیدا می کند. علاوه بر این ، SVR می تواند نتایج عمومی سازی خوبی را ارائه دهد حتی اگر نمونه داده ها کوچک باشد [19] در حالی که در همان زمان در برابر بیش از حد مقاوم است. از طرف دیگر ، رگرسیون فرآیند گاوسی [20] به سادگی پیش بینی انعطاف پذیر و کاملاً احتمالی را پیاده سازی می کند. از درختان رگرسیون [21] برای تقلید از تفکر در سطح انسان استفاده می شود و به این ترتیب اجازه می دهد تا تصمیم گیری منطقی را ببینید. درک آنها آسان است و هر زمان که لازم باشد می توان تفسیرها را انجام داد. علاوه بر این ، آنها بر اساس الگوریتم های ایجاد درخت ساخته شده اند ، که مجموعه ای از قوانین if-then برای تقسیم داده ها و انجام نقشه برداری غیرخطی بر روی صفحه داده ورودی-خروجی است. علاوه بر این ، آنها در برابر مشکلات بزرگ قابل مقیاس هستند و می توانند با مجموعه داده های کوچک مقابله کنند. علاوه بر این ، الگوریتم K NN [22] یک الگوریتم یادگیری تنبل مبتنی بر نمونه است که برای یادگیری عملکردهای هدف پیچیده به سرعت بدون از دست دادن اطلاعات استفاده می شود. سرانجام ، FFNN [23] ، BRNN [24] و RBFNN [25] سه توپولوژی مختلف از شبکه های عصبی مصنوعی هستند که برای تقلید از پردازش اطلاعات در داخل قشر انسانی استفاده می شوند. آنها شامل سیستم های پردازش اطلاعات موازی قوی به داده های پر سر و صدا و قادر به تقریب سیگنال های غیرخطی و غیر ایستگاه هستند.

FFNN یک Perceptron چند لایه پیچیده است که با محاسبه شیب عملکرد هدف با توجه به پارامترها/وزن ها آموزش داده می شود. اطلاعات موجود در لایه ورودی از طریق یک عملکرد فعال سازی در هر نورون پردازش می شود. سپس ، اطلاعات پردازش شده از طریق لایه ها برای به دست آوردن خروجی نهایی پخش می شود. BRNN یک مورد خاص از FFNN است که به موجب آن از یک کار منظم استفاده می شود تا خروجی را نسبت به خارج از کشور حساس تر کند ، کاملاً صاف و عمومی ، از این رو کمتر احتمال دارد که بیش از حد افزایش یابد. سرانجام ، RBFNN یک سیستم انعطاف پذیر برای مدل سازی سیگنال های پویا پیچیده با توانایی یادگیری ویژگی های محلی است ، بنابراین باعث افزایش ثبات سیستم می شود.

مشارکتهای اصلی مطالعه ما به شرح زیر است: اولا ، ما سعی می کنیم سری زمانی قیمت داخل روز بیت کوین را با استفاده از مجموعه ای از سیستم های مختلف پیش بینی کننده که متعلق به سه کلاس مجزا در ادبیات یادگیری ماشین هستند ، پیش بینی کنیم. به طور خاص ، ما از مدل های یادگیری ماشین آماری (SVR ، GRP) ، تکنیک های الگوریتمی (RT ، K NN) و توپولوژی مبتنی بر AI استفاده می کنیم (MLNN ، Bn ، RBFNN). اگرچه این سیستم های یادگیری ماشین به خوبی در پیش بینی مؤثر هستند ، اما هنوز در پیش بینی مجموعه داده های فرکانس فوق العاده بالا بیت کوین ارزیابی نشده است. سوم ، بهینه سازی بیزی [26] به منظور یافتن مقادیر بهینه برای الگوریتم های SVR ، GRP و K NN استفاده می شود. چهارم ، ما از آمار غیرخطی محاسبه شده از مجموعه داده های آموزش و آزمایش از جمله نمایندگان Hurst [27] ، نمونه آنتروپی [28] ، پیچیدگی Lempel-Ziv [29] و معیارهای پیچیدگی Kolmogorov استفاده می کنیم [30]. در این راستا ، ما عملکرد مقایسه ای هر روش یادگیری را به طور دقیق اندازه گیری می کنیم.

بقیه مقاله شامل بخش 2 است که به تفصیل رویکردهای یادگیری ماشین را شرح می دهد و معیارهای آماری غیرخطی با عملکرد مختلف را معرفی می کند. در مرحله بعد ، بخش 3 داده ها را ارائه می دهد و نتایج تجربی و شبیه سازی را ارائه می دهد. سرانجام ، بخش 4 با استنباط بیشتر نتیجه می گیرد.

قطعه قطعه

از مدل سازی رگرسیون بردار (SVR) پشتیبانی کنید<( x k , y k )>اجازه دهید_kk = 1 n بردار ورودی k th الگوی آموزش k و y را نشان می دهد₁خروجی مورد نظر مربوطه را نشان می دهد. سپس ، عملکرد رگرسیون F که توسط یک SVR خطی [19] به شرح زیر نشان داده شده است: f (x) = ω x t + b که در آن x ، ω = (ω₂، Ω_n،… ، ω

) ∈ℜ n ، b ∈ℜ و t به ترتیب بردار ورودی ، بردار وزن ، رهگیری و عملگر انتقال هستند. مشکل بهینه سازی برای آموزش SVR خطی توسط: m i n i m i z e 1 2 ω 2 + c ∑ k = 1 n (ξ k + ξ k *) موضوع ، y k - ω x k t - b ≤ ε + ξ k a n d ω x kt + b - y k ≤ ε + ξ k *

نتایج تجربی و شبیه سازی

ما داده های قیمت داخلی بیت کوین را در 5 دقیقه نمونه برداری از فرکانس بالا برای دوره از 1 ژانویه 2016 تا 16 مارس 2018 بررسی می کنیم. از این رو ، اندازه کل نمونه 65. 535 مشاهده است. برای هر مدل یادگیری ماشین ، 80 ٪ اول از Dataset Obs برای آموزش استفاده می شود در حالی که 20 ٪ باقیمانده برای آزمایش است. نمونه های آموزش و آزمایش در شکل 1 نشان داده شده است. معیارهای غیرخطی اندازه گیری شده نمونه های آموزش و آزمایش به ترتیب در جدول 1 ارائه شده است.

بحث و نتایج

سیستم های یادگیری ماشین هوشمند چندین مزیت در مدل سازی و پیش بینی مجموعه داده های بزرگ مانند سری زمان قیمت فرکانس بیت کوین را ارائه می دهند. در واقع ، آنها قادر به تعامل متعدد بین ورودی های پیش بینی کننده هستند ، تحت هیچ فرضیه ای در مورد شکل رابطه بین ورودی ها و خروجی ها اجرا نمی شوند ، در حالی که آنها قادر به شناسایی الگوهای هرج و مرج غیرخطی در نوسانات سیگنال زمانی هستند.

مشارکتهای رمان OU سه برابر هستند. اول و مهمتر از همه ما به طور مقایسه ای

اعلام علاقه رقیب