ارائه یک مدل ترکیبی غیرقطعی برای پیشبینی قیمت رمز ارز بیتکوین CNN-LSTM

مطالعات کمی در مدیریت

دوره 13، شماره 50، آذر 1401، صفحه 159-178   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/qrm.2022.702933

نویسندگان

علی علی جماعت^{* 1}؛ سید محسن میرحسینی²

¹نویسنده مسئول، استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، واحد ابهر، دانشگاه آزاد اسلامی، ابهر ، ایران. آدرس پست [e-mail] : الکترونیک

²استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، واحد هیدج، دانشگاه آزاد اسلامی، هیدج، ایران.

چکیده

چکیده
در جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسک
سرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دست
آورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی قیمت بیتکوین برای تعیین روند
قیمتی و معاملات مهم است. برای ا ین کار رو شهای سنتی و نیز روشهای مبتنی بر یادگیری ماشین مختلفی
ارائه شده است که هرکدام مزایا و معا یب خود را دارن د. اخیرا استفاده از مد لهای ترکیبی مورد توجه قرار
گرفته است. روشهای ترکیبی کارایی مناسبی داشته و از مزایای روشهای ترکیب شده استفاده میکنند. در
این مقاله، یک روش ترکیبی مبتنی بر شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی با حذف تصادفی
احتمالی ارائه م یشود. حذف تصادفی احتمالی موجب منظمسازی یادگیری و پرهیز از بیش برازش شده و
موجب کاهش خطای مدل م یشود. نتایج آزمایشهای انجام گرفته نشاندهنده دقت بالاتر روش پیشنهادی
نسبت به رو شهای مورد مقایسه در پیشبینی قیمت بیت کوین دارد .
کلمات کلیدی: پیشبینی قیمت، بیتکوین، یادگیری ماشین و یادگیری عمیق .

کلیدواژه‌ها

کلمات کلیدی: پیشبینی قیمت؛ بیتکوین؛ یادگیری ماشین و یادگیری عمیق

مراجع

منابع
-وزان، م یلاد( 1400 ) . یادگیری ماشین و علم داده: مبانی، مفاهیم، الگور یتمها و ابزاره، تهران: میعاد اندیشه،
.1400
- Alarab, I., Prakoonwit, S., Nacer, M.I. (2021). Illustrative Discussion of MC-Dropout
in General Dataset: Uncertainty Estimation in Bitcoin. Neural Process Lett 53, 1001–
1011, https://doi.org/10.1007/s11063-021-10424-x
- Albariqi, R., Winarko, E., (2020, February). “Prediction of Bitcoin Price Change using
Neural Networks”, In 2020 International Conference on Smart Technology and
Applications (ICoSTA) (pp. 1-4). IEEE.
- Bonneau, J., Miller, A., Clark, J., Narayanan, A., Kroll, J. A., Felten, E. W. (2015, May).
Sok: Research perspectives and challenges for bitcoin and cryptocurrencies, In 2015
IEEE Symposium on Security and Privacy (pp. 104-121). IEEE.
- Chung J., Gulcehre, C., Cho, K., Bengio Y.,"Empirical evaluation of gated recurrent
neural networks on sequence modeling," arXiv preprint arXiv:1412.3555, 2014.
- Chollet, F. (2021). Deep Learning with Python. Manning Publications Co., .202118-
- Joshi, R, Accuracy, precision (2016). recall & f1 score: Interpretation of performance
measures, Retrieved April.
- Hochreiter, S., Schmidhuber, J., (1997). "Long short-term memory," Neural
computation, Vol. 9, No. 8, pp.1735-1780.
- Kim, P. (2021).Neural Network, MATLAB Deep Learning, pp. 19-51, 2017.
- Koo, E., Kim, G. (202). A Hybrid Prediction Model Integrating GARCH Models with
a Distribution Manipulation Strategy Based on LSTM Networks for Stock Market
Volatility. IEEE Access, 10, 34743–34754. [CrossRef] ÷
- Kourentzes, N., Barrow, D.K., Crone, S,F., (2014). Neural network ensemble operators
for time series forecasting, Expert Systems with Applications, Vol. 41, No. 9, 4235-4244.
doi:10.1016/j.eswa.2013.12.011
- Lemay, A., Hoebel, K., Bridge, C.P. et al. Improving the repeatability of deep learning
models with Monte Carlo dropout. npj Digit. Med. 5, 174 (2022).
https://doi.org/10.1038/s41746-022-00709-3
- Livieris, I.E.,Kiriakidou, N., (2021).An advanced CNN-LSTM model for
cryptocurrency forecasting. Electronics 2021, 10, 287.
- Liu, L., Gong, C., L. Yang, and Y. Chen, (2020). DSTP-RNN: A dual-stage two-phase
attention-based recurrent neural network for long-term and multivariate time series
prediction, Expert Systems with Applications,Vol. 143, p. 113082
- Lunesu and M. Marchesi (2015). Bitcoin Spread Prediction Using Social and Web
Search Media, in UMAP Workshops
- Madan, I., Saluja, S., A. Zhao A. (2015). Automated bitcoin trading via machine learning
algorithms, URL. Matta, M, I.
- McNally, S., Roche, J., Caton, S. (2018, March). “Predicting the price of bitcoin using
machine learning”, In 2018 26th Euromicro International Conference on Parallel,
Distributed and Network-based Processing (PDP) (pp. 339-343). IEEE.
غیرقطعی برای پی شبینی قیم ت.. . CNN-LSTM 176 / ............ . ارائه یک مدل ترکیبی
- Mittal, M.,Geetha, G., (2022).Predicting Bitcoin Price using Machine Learning, 2022
International Conference on Computer Communication and Informatics (ICCCI), pp. 1-
7, doi: 10.1109/ICCCI54379.2022.9740772.
- Gal, Y., Ghahramani Z., (2016).Dropout as a bayesian approximation: representing
model uncertainty in deep learning. In: international conference on machine learning, pp
1050–1059
- Greaves, A., Au, B. (2015). Using the bitcoin transaction graph to predict the price of
bitcoin, No Data.
- Patel, M.; Tanwar, S. (2020). A deep learning-based cryptocurrency price prediction
scheme for financial institutions. J. Inf. Secur., 55, 102583.
- Peng, Y., Henrique, P., Albuquerque, M.,,(2018).The best of two worlds: Forecasting
high frequency volatility for cryptocurrencies and traditional currencies with Support
Vector Regression, Expert Systems with Applications, Vol. 97, 177-192. doi:
10.1016/j.eswa.2017.12.004
- Sharifi, A. M., Khalili Damghani, K., Abdi, F., Sardar, S. (2022). 'A hybrid model for
predicting bitcoin price using machine learning and metaheuristic algorithms', Journal of
Applied Research on Industrial Engineering, 9(1), pp. 134-150. doi:
10.22105/jarie.2021.291175.1343
- Sin, E., Wang, L., (2017, July). “Bitcoin price prediction using ensembles of neural
networks”, In 2017 13th International Conference on Natural Computation, Fuzzy
Systems and Knowledge Discovery (ICNC-FSKD) (pp. 666-671). IEEE
- Srivastava, N., (2013). Improving Neural Networks with Dropout, Master, Toronto,
Canada, 2013.
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.
(2014).Dropout: a simple way to prevent neural networks from overfitting, J Mach Learn
Res 15(1):1929–1958
- Sovbetov, Y. (2018). Factors influencing cryptocurrency prices: Evidence from bitcoin,
ethereum, dash, litcoin, and monero, Journal of Economics and Financial Analysis, 2(2),
1-27.
- Xiong, L., Lu, Y. (2017, April). “Hybrid ARIMA-BPNN model for time series
prediction of the Chinese stock market”, In 2017 3rd International Conference on
Information Management (ICIM) (pp. 93-97). IEEE