ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)

اقتصاد مالی

دوره 17، شماره 62، فروردین 1402، صفحه 217-238   

نوع مقاله: علمی پژوهشی

شناسه دیجیتال (DOI): 10.30495/fed.2023.700133

نویسندگان

سکینه صیادی نژاد¹؛ علی اسماعیل زاده^{* 2}؛ محمدرضا رستمی³

¹گروه مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران

²گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی،تهران ،ایران

³گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران

چکیده

چکیده
با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش­های پیش­بینی حرکت­های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده­است. در این بین مدل­های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت­هایی در تحلیل این نوع از داده­ها ایجاد کرده است. یکی دیگر از رویکردهایی که می­تواند در تحلیل قیمتی بازار رمزارزها  کارا باشد تجزیه سیگنال­های از طریق الگوریتم­هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می­باشد. با توجه به اهمیت مقوله پیش­بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل­های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM) به منظور پیش­بینی بازدهی قیمتی رمز ارز بیت­کوین (به عنوان محبوب­ترین رمز ارز) مورد استفاده قرار گرفته­است. در این راستا از داده­های روزانه قیمتی بیت­کوین در دوره زمانی01/01/2013 - 28/05/2022  استفاده گردید و نتایج بدست آمده با نتایج مدل­های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش­بینی­های بازدهی رمزارز بیت­کوین را افزایش داده­است. بر همین اساس کاربرد این مدل به منظور پیش­بینی­ در این حوزه پیشنهاد می­گردد.
واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت­کوین، 

کلیدواژه‌ها

واژه‌های کلیدی: مدل های یادگیری عمیق (DL)؛ تجزیه مد تجربی یکپارچه کامل (CEEMD)؛ بیت‌کوین؛ حافظه بلندمدت – کوتاه مدت (LSTM)؛ شبکه عصبی کانولوشنی (CNN). طبقه بندی JEL : E37؛ C61؛ C45؛ G18

اصل مقاله

ارائه مدل پیش­بینی بازدهی بیت­کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)

 

تاریخ دریافت: 03/10/1401                  تاریخ پذیرش: 06/12/1401

سکینه صیادی نژاد[1] علی اسماعیل زاده مقری*[2] محمدرضا رستمی3

 

چکیده

با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش­های پیش­بینی حرکت­های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده­است. در این بین مدل­های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت­هایی در تحلیل این نوع از داده­ها ایجاد کرده است. یکی دیگر از رویکردهایی که می­تواند در تحلیل قیمتی بازار رمزارزها  کارا باشد تجزیه سیگنال­های از طریق الگوریتم­هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می­باشد. با توجه به اهمیت مقوله پیش­بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل­های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM) به منظور پیش­بینی بازدهی قیمتی رمز ارز بیت­کوین (به عنوان محبوب­ترین رمز ارز) مورد استفاده قرار گرفته­است. در این راستا از داده­های روزانه قیمتی بیت­کوین در دوره زمانی01/01/2013 - 28/05/2022  استفاده گردید و نتایج بدست آمده با نتایج مدل­های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش­بینی­های بازدهی رمزارز بیت­کوین را افزایش داده­است. بر همین اساس کاربرد این مدل به منظور پیش­بینی­ در این حوزه پیشنهاد می­گردد.

واژه‌های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت­کوین، حافظه بلندمدت – کوتاه مدت (LSTM) ، شبکه عصبی کانولوشنی (CNN).

طبقه بندی JEL : E37، C61، C45، G18

 

1- مقدمه

در طول تکامل دانش پول (از قرن هجدهم)، بررسی­های بنیادی زیادی در خصوص ماهیت واقعی و کارکرد اصلی پول انجام شده و رویکردها و نظریه­های علمی پولی به طور قابل توجهی تغییر کرده­است ولی تاکنون به حالت نهایی نرسیده­است. قرن بیست و یکم که با توسعه وسیع فنآوری­ها و افزایش استفاده از اینترنت شناخته می­شود، به طور قابل توجهی به توسعه سیستم پولی و معرفی یک پدیده جدید با عنوان پول­های مجازی دست یافته است.

مدت زیادی از طرح ایده و عملیاتی شدن پول مجازی نگذشته و پول­های مجازی گوناگون، بازاری برای خود ایجاد کرده‌اند. پول‌های مجازی به دو دسته متمرکز و غیرمتمرکز تبدیل می­شوند. پول های مجازی غیرمتمرکز اصطلاح ارزهای رمزپایه^[3] نامیده می­شود. پول­های مجازی متمرکز زیر نظر یک شرکت یا موسسه واسطه­ای خاص فعالیت می­کنند. مثلا پی پال^[4] یک پول مجازی متمرکز است.

بیت کوین[5] به عنوان پدر رمز ارزها و از محبوب­ترین آنها در بازار شناخته می­شود. از سال 2009 دنیای معاملات مالی شاهد خیزش بیت­کوین همراه با شیفتگی در بازار و در بسیاری از موارد شک و تردید بوده­است. به­دلیل عدم وابستگی، امروزه بیت­کوین به عنوان یک ارز قابل سرمایه­گذاری آسان مطرح بوده و علاقه مندان زیادی را به سوی خود جذب نموده­است. بیت کوین در یک کیف پول دیجیتال ذخیره شده که اساساً مانند یک حساب بانکی مجازی است. تمامی تراکنش­های معاملاتی آن بر روی یک زنجیره اطلاعاتی بنام زنجیره بلوکی[6] ذخیره می­شود. هر رکورد در این زنجیره رمزنگاری شده و در طول معاملات، نام کاربری و مشخصات مالک پنهان می­ماند و فقط شناسه کیف پول بصورت عمومی نشان داده می­شود. بیت­کوین از طریق یک شبکه همتا به همتا[7] شامل زنجیره ای از بلوک های زمانی کنترل می­شود. هر بلوک، لیستی از اطلاعات تراکنش­ها را داراست و در آن همه اعضا با هم برابرند. ( بونو و همکاران[8]، 2015).

اگرچه حاکمیت­ها نسبت به پذیرش این نوع از پول مقاومت نشان داده‌اند و برخوردهای متناقضی در این زمینه وجود دارد، اما مخترعان این پول­ها و فعالان مالی با تلاش برای رفع چالش­ها و ایجاد نوآوری­های مالی در این عرصه، سعی در گسترش این پدیده دارند. علاوه بر این، مقامات اصلی مانند کمیسیون بورس و اوراق بهادار، وزارت خزانه­داری و بانک مرکزی اروپا نگرانی­های خود را در مورد این نوع جدید پول اعلام داشته‌اند. ولی با توجه به محبوبیت روزافزون ارزهای مجازی، به خصوص ارزهای رمزپایه یا ارزهای دیجیتال، مطالعه و پژوهش در این حوزه توجه زیادی را به خود جلب کرده­است. چشم انداز گردش پول در جهان نشان می‌دهد که بیت‌کوین به عنوان یکی از ارزهای مجازی جای خود را در میان سایر پول‌ها باز کرده است.

البته یک جنبه ضروری که باید هنگام سرمایه‌گذاری در ارز مجازی در نظر گرفت، ریسک پیش‌فرض آن است. یعنی ریسک از دست دادن مقدار قابل توجهی از سرمایه‌گذاری اولیه. به عبارت دیگر، سقوط قیمت (کوین مارکت کپ، 2017). از اینرو پیش­بینی حرکت قیمتی ارزهای مجازی مورد توجه قرار گرفته و مدل­های مختلفی در این حوزه در سطح جهانی مورد استفاده قرار گرفته است. از جمله روش­هایی که در پیش بینی نوسانات و حرکت قیمتی رمز ارزها بسیار مورد توجه قرار گرفته است روش­های هوشمند (یادگیری ماشین[9]) می باشد. روش­های هوشمند، الگوهای خطی و غیرخطی موجود در داده­های مربوط به بازار را دنبال می­کند تا بدین وسیله فرایند ایجاد آنها را حدس بزند. بر این اساس، در طول سال­های پیش الگوریتم­ها و نرم افزارهای زیادی با پیچیدگی­ها و ساختارهای متفاوت برای این منظور پیشنهاد شده است (دولو و حیدری، 1396).

یادگیری ماشینی[10] (ML)، شاخه‌ای از هوش مصنوعی است که با ابداع الگوریتم­های مختلف، به تدریج عملکرد خود بر روی یک مسئله خاص را بهبود می بخشد. یادگیری ماشینی برای یافتن الگوها و کند و کاو تغییرات کوچک، بر پایۀ بررسی و مقایسۀ داده‌هایی از مقادیر کوچک تا حجم‌های عظیم داده استوار است. مطالعات بی­شماری منتشر شده است که پیش­بینی ها براساس مدل­های ML با عملکرد نسبتاً بهتری نسبت به تکنیک های پیش بینی سری زمانی کلاسیک انجام شده است. اخیرا در حوزه یادگیری ماشینی، گرایشی با نام یادگیری عمیق (DL[11])، در پیش بینی های مالی، توجه بسیاری را جلب کرده است. یادگیری عمیق (DL) زیرمجموعه ای از کلاس گسترده تر از روش های یادگیری ماشین بر پایه شبکه های عصبی است. بررسی منابع صورت گرفته، نشان از کاربرد بالای تکنیک­های DL در زمینه پیش بینی سری های زمانی مالی است. این مدل ها به طور معناداری، خطاهای کوچکتری را در پیش بینی نسبت به مدل های آماری نشان می دهند و دارای سرعت پیش بینی بالاتری هستند. با این که یادگیری عمیق در سال های ابتدایی توسعه خود قرار دارد، اما روند تحقیقات، مقالات و سرمایه گذاری های شرکت های بزرگ در این حوزه، نشان دهنده گسترش روز افزون کاربردهای یادگیری عمیق است. با توجه به ظرفیت­ها و توانایی قابل توجه روش یادگیری عمیق در استخراج اطلاعات معتبر از مجموعه داده ها و الگوهای شناسایی قدرتمند، بسیاری از مقالات اخیر بر کاربرد تکنیک­های DL در حوزه مالی  متمرکز شده­اند و ادغام الگوریتم های یادگیری عمیق با پیش بینی های بازار به عنوان یکی از جذاب ترین مباحث در ادبیات مالی در نظر گرفته می­شود ( کاوانکانته و همکاران[12] ، 2016).

از طرفی دیگر، در سال­های اخیر استفاده از روش های تجزیه سیگنال به عنوان روشی نوین و بسیار موثر در زمینه تجزیه و تحلیل سیگنال­ها و سری­های زمانی مورد توجه قرار گرفته است. در این روش سیگنال اصلی به چندین زیرسری تجزیه شـده و داده­هـای حاصـل از تجزیـه بـا معـادلات مناسـب برازش می­یابد و مدل بدست آمده برای پیش­بینی استفاده می­شود. از جمله این روش ها روش جدید تجزیه مد تجربی یکپارچه کامل (CEEMD[13]) است که در روند تجزیه سازی آن، حجم محدودی از نویز سفید وارد سیگنال اصلی شده و با استفاده از جنبه­های مثبت آماری نویز سفید که توزیع متوازن در حوزه فرکانس دارد، اثر نویز متناوب از روند تجزیه حذف می شود (ژانگ و همکاران[14]، 2020). در این تحقیق تلاش می­شود که مدل نوین و هیبریدی  CEEMD- DL(LSTM[15]) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت­کوین (به عنوان شاخص بازار رمز ارزها) معرفی و مورد استفاده قرار گیرد. انتظار می­رود با استفاده از این رویکرد بتوان کارایی و دقت پیش­بینی­ها در این حوزه را افزایش داد.

در این بخش مقدمه­ای جهت معرفی و بیان مسئله اصلی تحقیق بیان گردید در ادامه در بخش 2 پیشینه داخلی و خارجی موضوع ارائه شده­است. در بخش 3 روش تحقیق و شرح مختصری از مدل­های مورد استفاده بیان می­شود. در بخش 4 یافته­های تحقیق و نتایج پیش­بینی و ارزیابی عملکرد مدل CEEMD- DL(LSTM[16])  ارائه می­شود و در نهایت در بخش 5 نتایج بدست آمده مورد بحث قرار می­گیرد.

 

2- ادبیات تحقیق

1-2 مبانی تحقیق

در بررسی تاریخی پی می‌بریم از زمانی که مفهوم پول مجازی به معنای پول رمزگذاری شده مطرح و ساتوشی ناکاموتو^[17] (2009) همزمان با رکود اقتصادی یک واحد بیت­کوین را همراه الگوریتم ریاضی معرفی کرد و حتی تعریف بانک مرکزی اتحادیه اروپا (2012) از پول مجاری به عنوان نوعی پول دیجیتال و غیرقانونمند که به وسیله توسعه دهندگان آن صادر و کنترل می‌شود و توسط اعضا و کاربران جامعه مجازی مورد پذیرش و کاربرد قرار می گیرد، دیدگاه‌ها و استقبال نسبت به این نوع پول تفاوت پیدا کرده است تا آنجایی که از تنها سال  2013 تا 2017 تعداد 1091 ارز مجازی وجود داشته است (کوین مارکت کپ^[18]، 2017). این افزایش باعث ایجاد انگیزه برای مطالعه این موضوع شده است. به این معنا که اگر محبویت ارزهای مجازی بیش از این افزایش یابد باید مدل‌های مختلف ارزیابی و سنجش‌های مالی برای آن طراحی و آزمون شود.

یکی از ویژگی های اصلی بازار رمز ارز، نوسانات زیاد و ریسک سقوط قیمت رمز ارزها می باشد بنابراین استفاده از روش­های کارا در پیش­بینی روند حرکتی قیمت این بازار از اهمیت بالایی برخوردار است و باعث فعالیت­های عمده ای در این حوزه شده است. استفاده از روشهای هوش مصنوعی از جمله یادگیری عمیق در زمره اینگونه فعالیت­ها هستند (لین و همکاران[19]، 2021).

یادگیری عمیق زیرمجموعه ای از کلاس گسترده تر از روش های یادگیری ماشین و هوش مصنوعی بر پایه شبکه های عصبی است و به منظور تحلیل روش یادگیری عمیق، ساختار شبکه های عصبی مورد استفاده در ساختمان مدل های یادگیری عمیق می بایستی مورد بررسی قرار گیرد. پیشرفته ترین شبکه مورد استفاده در پیش بینی های سری زمانی، ساختار حافظه طولانی کوتاه­مدت یا (LSTM) است که در واقع یک نوع از شبکه های RNN[20] می باشند. تفاوت اصلی RNN با ساختارهای دیگر این است که در این ساختار داده های ورودی دوره جاری و دوره های گذشته به صورت همزمان مورد استفاده قرار می گیرند و خروجی مدل در دوره جاری به داده های دوره قبل نیز بستگی دارد. از نظر تئوریک یک شبکه عصبی بازگشتی استاندارد (اگر به اندازه کافی بزرگ باشد) باید قادر به تولید دنباله هایی با هر پیچیدگی­ای باشد اما در عمل این شبکه در ذخیره سازی اطلاعات مرتبط با ورودی های گذشته به مدت طولانی ناتوان است. علاوه بر اینکه این خصصیه توانایی این شبکه در مدل سازی ساختارهای بلند مدت را تضعیف می­کند، این “فراموشی” باعث می­شود تا این نوع از شبکه ها در زمان تولید دنباله در معرض ناپایداری قرار گیرند. مشکلی که وجود دارد، این است که اگر پیش بینی های شبکه تنها وابسته به چند ورودی اخیر باشد و این ورودی­ها خود نیز توسط شبکه تولید شده باشند، شانس بسیار کمی برای تصحیح و جبران اشتباهات گذشته توسط شبکه وجود دارد. یک راه حل برای مشکل ذکر شده، اضافه کردن نویز به پیش بینی های صورت گرفته توسط شبکه قبل از تغذیه آنها به گام زمانی بعدی است. این کار باعث تقویت شبکه در قبال ورودی های غیرمنتظره می­شود. با این وجود اما یک حافظه بهتر، راه حل به مراتب بهتر و تاثیرگذار تری است. حافظه طولانی کوتاه مدت یا (LSTM) یک معماری شبکه عصبی بازگشتی است که برای ذخیره سازی و دسترسی بهتر به اطلاعات نسبت به نسخه سنتی آن طراحی شده است.

برخلاف شبکه عصبی بازگشتی استاندارد (RNN) که در آن محتوا در هر گام زمانی از نو بازنویسی می­شود در یک شبکه عصبی بازگشتی LSTM شبکه قادر است نسبت به حفظ حافظه فعلی از طریق دروازه های معرفی شده تصمیم گیری کند. به­طور شهودی اگر واحد LSTM  ویژگی مهمی در دنباله ورودی در گام های ابتدایی را تشخیص دهد به سادگی می­تواند این اطلاعات را طی مسیر طولانی منتقل کند بنابراین می­تواند این­گونه وابستگی های بلندمدت احتمالی را دریافت و حفظ کند.

از دیگر رویکردهایی که به منظور افزایش کارایی پیش­بینی های مالی می­تواند مورد توجه قرار گیرد استفاده از الگوریتم های تجزیه سیگنال است. الگوریتم­های تجزیه سیگنال، ابزارهای قدرتمندی هستند که می­تواند برای جداسازی متغیر بازده دارایی­های مالی ناشی از نوسانات در یک فرکانس خاص (یا افق زمانی) مورد استفاده قرار گیرد. معیارهای مبتنی بر فرکانس، به ما امکان می­دهد بین اجزای اطلاعات بازده کوتاه­مدت و بلندمدت تمایز قایل شویم، و بینش جدیدی در مورد قیمت­گذاری دارایی­ها ، تخصیص پرتفوی و مدیریت ریسک ارائه دهیم. در پاسخ به پیشرفت­های اخیر در یادگیری ماشینی و پردازش سیگنال، علاقه به استفاده از الگوریتم­های تجزیه در مدل­های پیش­بینی وجود دارد. از طرف دیگر الگوریتم­های تجزیه سیگنال، ابزارهای قدرتمندی هستند که می­تواند برای جداسازی متغیر بازده دارایی­های مالی ناشی از نوسانات در یک فرکانس خاص (یا افق زمانی) مورد استفاده قرار گیرد. معیارهای مبتنی بر فرکانس، به ما امکان می­دهد بین اجزای اطلاعات بازده کوتاه­مدت و بلندمدت تمایز قایل شویم، و بینش جدیدی در مورد قیمت­گذاری دارایی­ها ، تخصیص پرتفوی و مدیریت ریسک ارائه دهیم. در پاسخ به پیشرفت­های اخیر در یادگیری ماشینی و پردازش سیگنال، علاقه به استفاده از الگوریتم­های تجزیه در مدل­های پیش­بینی وجود دارد (ژانگ و همکاران[21]، 2020).

 

2-2 پیشینه تحقیق

علیرغم قابلیت­های بسیار زیاد مدل­های یادگیری عمیق (DL) و افزایش روز افزون کاربرد این مدل­ها در جهان در حوزه­ پیش­بینی­های بازارهای مالی، براساس بررسی­های انجام شده در ایران مطالعات محدودی در این زمینه انجام شده است. در این بخش تلاش می­شود به تعدادی از مطالعات داخلی و خارجی در این حوزه اشاره می­شود. 

محمدشریفی (1400) در تحقیقی به منظور پیش بینی قیمت بیت­کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده کرده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش­بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از ARIMA جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج این تحقیق نشان می دهد که مدل ARIMA-GRU برای معیار های RMSE و MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند.

بختیاران و ذوالفقاری (1400) در تحقیقی به طراحی مدلی جهت پیش بینی بازده بیت‌کوین (با تاکید بر مدل‌های ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدل‌های با حافظه بلندمدت) در دوره زمانی 1398-1392 پرداختند. یافته‌های این پژوهش نشان داد که مدل‌ ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش‌بینی بازده بیت‌کوین کارآمدتر و دارای خطای پیش‌بینی ‌کمتری نسبت به سایر مدل‌های رقیب است.

بشیری و پاریاب (1399) در تحقیق خود به پیش‏ بینی قیمت بیت‏ کوین با استفاده از الگوریتم­های یادگیری ماشین پرداختند. در این پژوهش، مجموعه داده‏های مربوط به ده رمز ‌ارز مورد استفاده قرار گرفت و یک مجموعه داده جدید، با در نظر گرفتن قیمت نهایی هر رمز ارز و برای دست‌یابی به هدف تحقیق و تعیین این‌که چگونه جهت و صحت قیمت بیت‏کوین را می‏توان با استفاده از تکنیک‌های داده کاوی پیش‌بینی کرد، تشکیل شد. در این پژوهش الگوریتم‏های ماشین بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی و شبکه عصبی مقدار صحت 16/52 درصد را ثبت کردند.

صالحی فر (1398) در پژوهشی با استفاده از مدل­های تک متغیره  GJR- GARCH، TGARCH و و ضریب همبستگی اسپیرمن بازدهی و ریسک معاملات بیت­کوین در مقایسه با سایر بازارهای رقیب مانند ارز (دلارویورو)، بورس و طلا ( )قراردادهای آتی طلا و سکه بهار آزادی) را بررسی کرده اند. در نهایت در این مطالعه چنین نتیجه گیری می شود که اگرچه نتایج نشان می­دهد بازده و ریسک بیت­کوین نسبت به سایر فرصت­های سرمایه­گذاری مانند ارز، طلا، سکه و بورس در داخل کشور به طور قابل ملاحظه­ای بیشتر است اما بدلیل ویژگیهای متفاوت ریسک و بازده منحصر به فرد در بیت­کوین، نمی­توان آن را با سایر دارایی­ها مقایسه نمود و رفتار آن را از نظر ریسک و بازدهی با بازارهای رقیب مرتبط دانست.

باباجانی و همکارن (1398) در تحقیقی با عنوان پیش­بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبورعسل مصنوعی به ارائه مدلی بهینه برای پیش­بینی قیمت سهام در بورس تهران پرداختند. در این تحقیق از داده‌های سهام پذیرفته‌شده در بورس اوراق بهادار تهران طی سال­های 1390 تا پایان سال 1394 و الگوریتم کلونی زنبورعسل مصنوعی (ABC) در یک فضای طراحی پارامتری، برای بهینه کردن وزن­ها و تورش­های شبکه عصبی بازگشتی استفاده کردند. نتایج این تحقیق نشان می­دهد که استفاده از شبکه عصبی بهینه‌شده با الگوریتم کلونی زنبورعسل مصنوعی، دقت قابل‌ملاحظه‌ای در مقایسه با سایر روش­های پیش­بینی دارد.

شنگااو و همکاران^[22] (2022) در تحقیقی با استفاده از تجزیه و تحلیل تجربی پیش­بینی قیمت بیت کوین بر اساس روش هیبریدی یادگیری عمیق پرداختند. در این تحقیق با ادغام دو مدل روش یادگیری عمیق رمزگزاری نویز زدایی انباشته (SDAE^[23]) و روش تجمیع بوت استرپ^[24] روشی جدید و هیبریدی برای پیش بینی قیمت بیت کوین ارایه شد. نتایج این تحقیق نشان می­دهد که روش پیشنهادی در مقایسه با مدل های انفرادی از دقت بالاتری برخوردار است و ویژگی غیر خطی بودن سری زمانی بیت کوین به صورت بهتری توضیح می دهد.

جاکورت و همکاران^[25] (2021) در تحقیق خود پیش بینی پذیری بازار بیت کوین را در افق های زمانی کوتاه مدت از 1 تا 60 دقیقه تجزیه و تحلیل کردند. در این تحقیق از ساختارهای مختلف یادگیری عمیق و مجموعه ای از ویژگی های جامع، از جمله ویژگی های فنی، مبتنی بر بلاک چین، مبتنی بر احساسات/علاقه و ویژگی های مبتنی بر دارایی استفاده کردند. نتایج این تحقیق نشان می‌دهد که ویژگی‌های فنی برای اکثر روش‌ها معنادار هستند و به دنبال آن ویژگی‌های انتخابی مبتنی بر بلاک‌چین و مبتنی بر احساسات/علاقه قرار دارند. علاوه بر این نتایج این تحقیق نشان می دهد که قابلیت پیش‌بینی برای افق‌های پیش‌بینی طولانی‌تر افزایش می‌یابد.

لین و همکاران[26] (2021) در تحقیق خود تلاش کردند که شاخص­های بازارهای بزرگ سهام دنیا را با استفاده از ترکیب روش­های یادگیری عمیق و الگوریتم های تجزیه سیگنال پیش­بینی کنند در این راستا از ساختارهای متنوعی در مدل­های یادگیری عمیق و الگوریتم های تجزیه سیگنال استفاده می­کنند و در نهایت مدل ترکیبی یادگیری عمیق با ساختار LSTM و الگوریتم CEEMDAN را به عنوان مدل بهینه در پیش­بینی های مالی در بازارهای نوظهور معرفی می­کنند.

یاماک و همکاران[27] (2019) در پژوهشی، عملکرد مدل­های مختلف یادگیری عمیق را به همراه مدل میانگین متحرک خود همبسته یکپارچه برای پیش­بینی داده­های بیت­کوین مقایسه نمودند.  آنها از شبکه عصبی عمیق LSTM و واحد بازگشتی دروازهای برای مقایسه با مدل سنتی استفاده نمودند. نتایج این مطالعه نشان می­دهد مدل میانگین متحرک خود همبسته یکپارچه در مقایسه با شبکه عصبی عمیق از عملکرد بهتری برخوردار است.

کاراکویون و سیبیل دیکن[28] (2018) به مقایسه مدل سری زمانی میانگین متحرک خود همبسته یکپارچه با مدل LSTM در پیش­بینی قیمت بیت کوین پرداختند. آنها برای ارزیابی مدل از 2 شاخص ارزیابی خطای  MAPEاستفاده نمودند. نتایج این مطالعه حاکی از عملکرد بهتر مدل LSTM در مقایسه با میانگین متحرک خود همبسته یکپارچه  می­باشد.

سین و وانگ[29] (2017) با در نظر گرفتن رابطه بین ویژگیهای بیت­کوین و تغییرات قیمت روز بعد آن، مدلی ترکیبی بر پایه شبکه عصبی پرسپترون چند لایه و الگوریتم ژنتیک ارائه نمودند. آنها برای درک بهتر اثربخشی و کاربرد آن در دنیای واقعی، از مدل ترکیبی برای پیش بینی قیمت بیت­کوین در روز بعد استفاده نمودند. نتایج آن­ها نشان داد، در بازه زمانی 50  روز، یک استراتژی معاملاتی مبتنی بر مدل ترکیبی در برابر یک استراتژی معاملاتی مبتنی برقیمت روز قبل، بازده 85 درصدی را نشان می­دهد. این درحالی­است که استراتژی معاملاتی مبتنی برقیمت روز قبل تنها 38 درصد بازده ایجاد کرده­است.

نتایج تحقیقات ارایه شده در این بخش به صورت کلی نشان­دهنده کارایی و عملکرد بهتر مدل­های مبتنی بر یادگیری ماشین و هوش مصنوعی در پیش­بینی متغیرهای مالی است. علاوه بر این، نتایج ارایه شده نشان می­دهد که ادغام روش­های مختلف می­تواند کارایی مدل­های پیش­بینی متغیرهای مالی را افزایش دهد. در این تحقیق تلاش شده است مدل یادگیری عمیق مبتنی بر (LSTM) با الگوریتم­های تجزیه سری­های زمانی به منظور افزایش کارایی پیش بینی بازده رمز ارز بیت کوین ترکیب شود و از این جهت مدل ارایه شده در مقایسه با مدل­های پیشین در این حوزه از نوآوری قابل ملاحظه ای برخوردار می­باشد.

 

3- روش تحقیق

روش پژوهش حاضر از لحاظ هدف کاربردی و از لحاظ ماهیت و روش علّی است. همچنین از نظر ویژگی و جهت داده‌ها پس رویدادی و از طریق اطلاعات گذشته می باشد. در تحقیق حاضر برای جمع آوری منابع نظری از روش کتابخانه­ای و داده های این تحقیق از سایت coinmarketcap.com که در ارتباط با ارزهای مجازی از اعتبار بالایی در سطح جهان برخوردار است جمع آوری شده است. در این تحقیق از داده­های روزانه رمزارز بیت­کوین به عنوان شاخص بازار رمز ارز در دوره زمانی 01/01/2013 - 28/05/2022 استفاده شده است. 

 

1-3 مدل تحقیق

همانطور که بیان گردید یادگیری عمیق زیرمجموعه­ای از کلاس گسترده­تر از روش های یادگیری ماشین و هوش مصنوعی بر پایه شبکه­های عصبی است و به منظور تحلیل روش یادگیری عمیق، ساختار شبکه های عصبی مورد استفاده در ساختمان مدل­های یادگیری عمیق می­بایستی مورد بررسی قرار گیرد. لازم به ذکر است که کارایی پیش­بینی متغیرهای مالی و اقتصادی با استفاده از شبکه­های عصبی در مطالعات زیادی از جمله امامی و امام وردی (1388)، باغستانی و همکاران (1394) تایید شده است. پیشرفته­ترین شبکه مورد استفاده در پیش بینی های سری زمانی، ساختار حافظه طولانی کوتاه­مدت یا (LSTM) است که در واقع یک نوع از شبکه­های RNN می­باشند. تفاوت اصلی RNN با ساختارهای دیگر این است که در این ساختار داده­های ورودی دوره جاری و دوره های گذشته به صورت همزمان مورد استفاده قرار می گیرند و خروجی مدل در دوره جاری به داده­های دوره قبل نیز بستگی دارد. از نظر تئوریک یک شبکه عصبی بازگشتی استاندارد (اگر به اندازه کافی بزرگ باشد) باید قادر به تولید دنباله­هایی با هر پیچیدگی­ای باشد اما در عمل مشاهده می­کنیم که این شبکه در ذخیره­سازی اطلاعات مرتبط با ورودی های گذشته به مدت طولانی ناتوان است. علاوه بر اینکه این خصصیه توانایی این شبکه در مدل­سازی ساختارهای بلند مدت را تضعیف می­کند، این “فراموشی” باعث می­شود تا این نوع از شبکه­ها در زمان تولید دنباله در معرض ناپایداری قرار گیرند. مشکلی که وجود دارد. این است که اگر پیش­بینی­های شبکه تنها وابسته به چند ورودی اخیر باشد و این ورودی­ها خود نیز توسط شبکه تولید شده باشند، شانس بسیار کمی برای تصحیح و جبران اشتباهات گذشته توسط شبکه وجود دارد. یک راه حل برای مشکل ذکر شده، تزریق نویز به پیش­بینی­های صورت گرفته توسط شبکه قبل از تغذیه آنها به گام زمانی بعدی است. این کار باعث تقویت شبکه در قبال ورودی های غیرمنتظره می­شود. با این وجود اما یک حافظه بهتر، راه حل به مراتب بهتر و تاثیرگذار تری است. حافظه طولانی کوتاه مدت یا (LSTM) یک معماری شبکه عصبی بازگشتی است که برای ذخیره­سازی و دسترسی بهتر به اطلاعات نسبت به نسخه سنتی آن طراحی شده­است.

برخلاف شبکه عصبی بازگشتی استاندارد (RNN[30]) که در آن محتوا در هر گام زمانی از نو بازنویسی می­شود در یک شبکه عصبی بازگشتی LSTM  شبکه قادر است نسبت به حفظ حافظه فعلی از طریق دروازه­های معرفی شده تصمیم­گیری کند. بطور شهودی اگر واحد LSTM  ویژگی مهمی در دنباله ورودی در گام­های ابتدایی را تشخیص دهد به­سادگی می­تواند این اطلاعات را طی مسیر طولانی منتقل کند بنابر این این­گونه وابستگی­های بلندمدت احتمالی را دریافت و حفظ دارد.

شبکه­های LSTM از واحدهای LSTM تشکیل شده­اند. واحدهای LSTM با هم ادغام می شود و یک لایه LSTM تشکیل می­شود. یک واحد LSTM از سلول­هایی تشکیل شده است که دارای گیت ورودی[31]، گیت خروجی[32] و گیت فراموشی[33] می باشد. سه گیت ذکر شده جریان اطلاعات را تنظیم می­کند. با استفاده از این ویژگی­ها، هر سلول مقادیر مورد نظر در فواصل زمانی دلخواه را حفظ می­کند. معادلات (1) تا (5) فرم عمومی شبکه LSTM را نشان می دهد.

 

(1)
(2)
(3)
(4)
(5)

 

در اینجا xt ، بردار ورودی واحد LSTM ، f_t بردار فعال سازی گیت فراموشی، i_t بردار فعال سازی گیت ورودی ، o_t: بردار فعال سازی گیت خروجی، h_t بردار خروجی واحد LSTM ، c_t بردار حالت سلول، _gσ تابع سیگموئید، _cσ تابع تانژانت هایپربولیک، W ، U: ماتریس های وزن که باید آموزش داده شده و برازش شوند و b پارامترهای بردار بایاس هستند. لازم به ذکر است که منظور از گیت، یک دریچه یا پیچ قابل تنظیم است که به ما امکان کنترل می­دهد. گیت ورودی، ورود یک سری اطلاعات جدید به حافظه بلندمدت را بررسی می­کند؛ گیت فراموشی، گیتی است که به شبکه LSTM  این قابلیت را می­دهد که بعضی از مولفه­های موجود در  C_t-1 فراموش شوند و گیت خروجی، دو ورودی x_t و  h_t-1را وارد دو لایه فولی‌کانکت می­کند و پس از جمع درنهایت از تابع سیگموید عبور می­دهد.

 

3-2 مدل CEEMD- DL(LSTM) 

روش تجزیه مد تجربی (EMD) روشی برای تجزیه سری­های زمانی گوناگون است که این عمل در فرآیندی تحت عنوان غربال کردن صورت می­گیرد. طی این فرایند سری زمانی اصلی به تعدادی مولفه با محتوای بسامدی متفاوت تجزیه می شود. روش EMD طبق رابطه (6) سری زمانی اصلی x(n) را به تعدادی توابع مد ذاتی (IMF[34]) تجزیه می­کند. توابع مد ذاتی (IMF) بخش­هایی از سری زمانی با فرکانس تقریباً یکسان می­باشند.

 

(6)

 

که r_n(x) همان مولفه باقیمانده، بعد از n تعداد IMFs و c_i(x) است. یک داده ممکن است در یک زمان دارای چندین مد ذاتی باشد. این مدهای نوسانی، تابع­های مد ذاتی (IMF) نام دارند و دارای دو شرایط هستند. 1. در کل داده­ها، تعداد نقاط فرین (اکسترمم) و نقاط صفر با هم برابر و یا حداکثر دارای یک واحد اختلاف هستند. 2. در هر نقطه میانگین پوش برازش داده شده بر نقاط بیشینه محلی و پوش برازش داده شده بر نقاط کمینه محلی باید صفر باشد. به علت وجود تناوب و نویز در سری­های زمانی، در برخی موارد به علت اختلاط مدها؛ توزیع حوزه زمان- فرکانس دچار انقطاع می­شود و عملکرد EMD دچار نقض می گردد ( چون میانگین IMF ها حالتی نامشخص به خود می­گیرد). جهت رفع این ایراد، وو و هوانگ (2004) روشی متفاوت با عنوان روش تجزیه مد تجربی یکپارچه کامل (CEEMD) ارائه گردید. در روند تجزیه سازی این روش، حجم محدودی از نویز سفید[35] وارد سری زمانی اصلی می­شود. براساس تعریف، نویز سفید، دنباله‌ای از مقدارهای وابسته به زمان هستند که به یکدیگر مرتبط یا وابستگی ندارند بطوری که میانگین مقدارها برابر با صفر است. در چنین حالتی، جملات خطاها را می‌توان مستقل و هم‌ توزیع^[36] در نظر گرفت. با استفاده از جنبه­های مثبت آماری نویز سفید که توزیع متوازن در حوزه فرکانس دارد، اثر نویز متناوب از روند تجزیه حذف می­شود. در این روش جزء نوفه سفید بصورت دوتایی (یکی مثبت و دیگری منفی) به داده اصلی اضافه می شود تا دو سری IMF مجموع ساخته شود. بنابراین ترکیبی متشکل از داده اصلی و نوفه ی سفید اضافه شده داریم که مجموع IMFها برابر سری زمان اصلی می­شود و نوفه اضافی دامنه­ موجی از مرتبه pm خواهد بود. در پایان این بخش، شکل (1) فرایند کلی مدل ارائه شده در این تحقیق CEEMD- DL(LSTM)  را ارائه می­کند. همانطور که در شکل (1) قابل ملاحظه می باشد در مدل ارائه شده ابتدا با استفاده از الگوریتم CEEMD سری زمانی اصلی به توابع مدهای ذاتی (IMF) تجزیه می­گردد و در ادامه و پس از نرمال سازی در قالب مدل­های یادگیری عمیق با ساختار LSTN مورد تحلیل قرار گرفته و در نهایت نتایج با استفاده از قواعد خاص تجمیع و پیش­بینی نهایی بدست می­آید.

 

 

شکل 1- فرایند کلی تجزیه و تجمیع در مدل CEEMD- DL(LSTM)

منبع: یافته های پژوهشگر

 

 

 

 

3-4 معیارهای ارزیابی

برای ارزیابی کارایی روش­های پیش­بینی سری زمانی بازدهی قیمتی بیت­کوین، از سه معیار اصلی استفاده می­شود:

• میانگین درصد قدرمطلق خطای متقارن (SMAPE[37])
• میانگین مطلق درصد خطا[38] (MAPE)
• ریشه میانگین مربع خطا ([39]RMSE)

این معیارها به صورت روابط زیر تعریف می گردند

 

(7)
(8)
(9)

 

جاییکه  و  به ترتیب مقادیر واقعی و پیش­بینی شده در زمان t می­باشند.

 

4- نتایج برآورد مدل های تحقیق

در این تحقیق تلاش می­شود که مدل نوین و هیبریدی  CEEMD- DL(LSTM)به منظور پیش بینی بازدهی بیت­کوین به عنوان پراکسی بازار رمز ارز معرفی و مورد استفاده قرار گیرد. در این راستا و به منظور دستیابی به حجم داده­های کافی برای اجرای مدل تحقیق و همچنین حذف سال­های ابتدایی که بازار رمز ارز از شهرت و معاملات محدودی برخوردار بوده­است از داده­های روزانه رمز ارز بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده شده­است. لازم به ذکر است به­منظور محاسبه­ی بازدهی نیز به ‌این‌ترتیب عمل شده است که اگر قیمت رمز ارز بیت کوین در دوره t را با Pt نشان دهیم آنگاه می­توان لگاریتم بازده را در لحظه t به‌صورت معادله (10) محاسبه نمود:

 

(10)

×100

در نمودار (1) نمایی کلی از روند قیمتی رمزارز بیت­کوین در دوره مورد بررسی ارائه شده­است.

 

نمودار 1- روند قیمتی رمز ارز بیت­کوین/ دلار

منبع: یافته های پژوهشگر

 

 

2-4 برآورد مدل­ هیبریدی  CEEMD- DL(LSTM)

در این بخش و در روند تجزیه سری زمانی، داده­های بازدهی قیمت درمز ارز بیت­کوین با استفاده از الگوریتم CEEMD به مولفه­ها مختلف با بسامدهای مختلف تجزیه می­شود. به بیان دیگر سری زمانی بازدهی قیمت بیت­کوین به توابع مد ذاتی (IMFs) و یک جمله اخلال تجزیه می­شود. واضح است که فرایند آموزش شبکه بر روی توابع مد ذاتی با بسامد کمتر راحت­تر از توابع مد ذاتی با بسامد بیشتر می­باشد. در نمودار (2) و جدول (1) نتایج تجزیه سری زمانی بازدهی قیمت بیت­کوین با استفاده از الگوریتم CEEMD ارائه شده است.

 

 

نمودار 2- تجزیه سری زمانی بازدهی قیمت بیت­کوین با استفاده از الگوریتم CEEMD

منبع: یافته های پژوهشگر

 

 

جدول 1- آمار توصیفی توابع مد داتی استخراج شده از الگوریتم CEEMD

	میانگین	ماکزیمم	مینیمم	انحراف استاندارد	چولگی	کشیدگی
IMF1	0274/0	94/24	88/20	664/3	0087/0	387/7
IMF2	0444/0	61/12	07/13-	116/2	054/0	128/7
IMF3	0611/0	247/6	734/5-	333/1	1167/0	403/4
IMF4	0047/0	617/4	943/4-	018/1	130/0	812/4
IMF5	0057/0-	350/2	823/2-	701/0	285/0-	256/4
IMF6	006/0-	267/2	313/2-	673/0	2666/0	966/5
IMF7	0016/0	5497/0	4812/0-	2593/0	2222/0	033/2
IMF8	0015/0-	4657/0	4651/0-	2551/0	1672/0-	799/1
RESINF	2223/0	7336/0	0376/0	1751/0	394/1	835/3

منبع: یافته های پژوهشگر

 

پس از تجزیه سری اصلی بازدهی قیمت بیت­کوین به طیف های بسامدی مختلف با استفاده از الگوریتم CEEMD، قبل از فرایند یادگیری لازم است داده­های مورد استفاده نرمالایز شوند. به این منظور از رابطه (11) استفاده می­شود.

 

(11)

 

جاییکه x_i(t)  نشان دهنده iامین داده از IMF،  میانگین IMF،   انحراف معیار و X𝑖𝑛(𝑡) داده­های نرمال شده می­باشند. لازم به ذکر از که می­توان با استفاده از معکوس رابطه (10) به داده های اصلی را بدست آورد. در جدول (2) تنظیمات هایپر پارمترهای مدل که بر اساس برآورد چندین مدل و انتخاب مدل با بالاترین کارایی برای imf های مختلف انجام شده­است را نشان می­دهد.

 

 

جدول 2- تنظیمات هایپرپارامترای مدل LSTM
	MiniBatchSize	Epoch	Initial Learn Rate
IMF1	3	600	005/0
IMF2	3	470	005/0
IMF3	3	400	005/0
IMF4	2	370	005/0
IMF5	2	350	005/0
IMF6	2	350	005/0
IMF7	2	350	005/0
IMF8	3	350	005/0
Residual	7	350	005/0
منبع: یافته های پژوهشگر

 

در ادامه، هشت تابع ذاتی استخراج شده در مرحله قبل، بر اساس مدل یادگیری عمیق با ساختار لایه های (LSTM) و تنظیمات جدول (1) در فرایند آموزش قرار می­گیرند و در ادامه با استفاده از فرایند تجمیع سازی نهایی، سری بازدهی قیمت رزمز ارز بیتکوین در دوره آزمون (330 مشاهده انتهایی) پیش­بینی گردید. نمودار (3) و(4) به ترتیب نتایج پیش بینی توابع مد ذاتی و نتایج نهایی پیش بینی بازدهی قیمت رمزارز بیت­کوین در دوره آزمون مدل  را نشان می­دهد.

 

	imf1
	imf2
	imf3
	imf4
	imf5
	imf6
	imf7
	imf8
	residual
نمودار 3- نتایج پیش­بینی توابع مد ذاتی با استفاده از مدل LSTM

منبع: یافته های پژوهشگر

 

 

نمودار 4- پیش­بینی بازدهی قیمت بیتکوین و با استفاده از روش CEEMD- DL(LSTM)

منبع: یافته های پژوهشگر

 

 

3-4 سنجش کارایی مدل­های تحقیق

در ادامه و به منظور بررسی کارایی مدل نهایی تحقیق، از معیارهای سنجش کارایی استفاده می­شود. در این تحقیق از سه معیار میانگین درصد قدرمطلق خطای متقارن (SMAPE)، میانگین مطلق درصد خطا (MAPE) و ریشه میانگین مربع خطا (RMSE) استفاده می­شود. نتایج محاسبه معیارهای سنجش کارایی مربوط به مدل اصلی تحقیق CEEMD- DL(LSTM) و دو مدل معرفی شده و پرکاربرد در این حوزه در جدول (2) ارائه شده است. نتایج ارائه شده در این جدول حاکی از کارایی مدل CEEMD- DL(LSTM)، نسبت به دو مدل دیگر می­باشد. مدل یادگیری عمیق با ساختار LSTM در مقام بعدی از لحاظ کارایی قرار می­گیرد. نتایج جدول (2) نشان­دهنده تاثیر مثبت استفاده از الگوریتم های تجزیه سیگنال در افزایش کارایی مدل­های یادگیری عمیق می­باشد. 

 

جدول 3- نتایج معیارهای سنجش کارایی
	RMSE	SMAPE	MAPE
CEEMD- DL(LSTM)	13/164	1887/0	0030/0
DL(CNN)	74/168	2062/0	0032/0
DL(LSTM)	29/238	8771/0	0038/0
منبع: یافته های پژوهشگر

5- بحث و نتیجه­گیری 

در سال­های اخیر بیت­کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه­گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از اصلی­ترین چالش­های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد و توسعه روش ها و مدل­ها برای پیش بینی قیمت بیت کوین بسیار مورد توجه قرار گرفته و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از فعالیت در این حوزه در آینده دارد.

از طرفی دیگر  اخیرا در حوزه یادگیری ماشینی، گرایشی یادگیری عمیق (DL)، در پیش­بینی­های مالی، توجه بسیاری را جلب کرده­است. با این که یادگیری عمیق در سال­های ابتدایی توسعه خود قرار دارد، اما روند تحقیقات، مقالات و سرمایه­گذاری های شرکت­های بزرگ در این حوزه، نشان­دهنده گسترش روز افزون کاربردهای یادگیری است. با توجه به ظرفیت­ها و توانایی قابل توجه روش یادگیری عمیق در استخراج اطلاعات معتبر از مجموعه داده­ها و الگوهای شناسایی قدرتمند، بسیاری از مقالات اخیر بر کاربرد تکنیک­های DL در حوزه مالی متمرکز شده­اند و ادغام الگوریتم­های یادگیری عمیق با پیش­بینی­های بازار به عنوان یکی از جذاب­ترین مباحث در ادبیات مالی در نظر گرفته می­شود( کاوانکانته و همکاران ، 2016). علاوه بر این، رویکرد تجزیه سیگنال در این حوزه از جمله حرکت­های است که می­تواند در تحلیل سری های زمانی مالی کارا باشد.

در این تحقیق به منظور افزایش کارایی و دقت پیش­بینی­ها در بازار رمز ارزها، مدل هیبریدی یادگیری عمیق مبتنی بر ساختار شبکه­های عصبی (LSTM) و با استفاده از الگوریتم تجزیه مد تجربی یکپارچه کامل (CEEMD) ارائه گردید. در ادامه نتایج پیش­بینی بازدهی قیمتی بیت­کوین (به عنوان محبوب­ترین رمز ارز) بر اساس این مدل (CEEMD- DL(LSTM)) با نتایج مدل­های پر کاربرد در این حوزه مقایسه گردید. در این راستا از معیارهای سنجش کارایی میانگین درصد قدرمطلق خطای متقارن (SMAPE)، میانگین مطلق درصد خطا (MAPE) و ریشه میانگین مربع خطا (RMSE)  استفاده شد. بر اساس نتایج این تحقیق، مدل پیشنهادی (CEEMD- DL(LSTM)) نسبت به دو مدل رقیب مبتنی بر ساختارهای LSTM و CNN از عملکرد بهتری برخوردار می­باشد. نتایج این تحقیق، یافته­های مطالعات اخیر در این حوزه از جمله مطالعات لین و همکاران (2021) و ژانگ و همکاران (2020) مبنی بر افزایش کارایی مدل­های یادگیری عمیق با استفاده از الگوریتم های تجزیه سیگنال را تایید می­کند. بر همین اساس، به فعالین بازارهای مالی و بازارهای رمز ارزها پیشنهاد می­گردد علاوه بر استفاده از مدل­های یادگیری عمیق به عنوان ابزاری کارا در پیش­بینی­ها، به منظور افزایش کارایی و دقت این مدل­ها، الگوریتم های تجزیه سیگنال را مورد توجه قرار دهند. همچنین به محققین حوزه مالی پیشنهاد می­گردد در تحقیقات آتی، تاثیر کاربرد سایر الگوریتم­های تجزیه سیگنال در افزایش کارایی مدل پیشنهادی را مورد بررسی قرار دهند.

 

 

[1]- گروه مالی، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران      email: [e-mail]

[2]- گروه حسابداری واحد تهران مرکزی دانشگاه آزاد اسلامی تهران.ایران ‎(نویسنده مسئول) email: [e-mail]

3- گروه مدیریت، دانشگاه الزهرا، تهران، ایران و گروه اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران.

                    email: [e-mail]                                                                                     

[3] Cryptocurrency

[4] Paypal

[5] Bitcoin

[6] Block Chain

[7] Peer-to-peer

[8] Bonneau et al

[9] Machine Learning

[10] Deep Learning

[11] Deep Learning

[12] Cavalcante  et al.

[13] Complete Ensemble Empirical Mode Decomposition  

[14] Zhang et al

[15] Long Short-Term Memory

[16] Long Short-Term Memory

[17] Satoshi Nakamoto

[18] Coinmarketcap

[19] Lin et al

[20] Recurrent Neural Networks

[21] Zhang et al

[22] Shengao et al

[23] Stacking Denoising Autoencoders

[24] Bootstrap Aggregation

[25] Jaquart et al

[26] Lin et al

[27] Yamak et al.

[28] Karakoyun & Cibikdiken

[29] Sin et al

[30] Recurrent Neural Networks

[31] Input gate

[32] Output gate

[33] Forget gate

[34] Intrinsic Mode Functions

[35] White Noise

[36] Independent and Identically Distributed – iid

[37] Symmetric Mean Absolute Percentage Error (SMAPE)

[38] Mean Absolute Percentage Error (MAPE)

[39] Root Mean Square Error (RMSE)

مراجع

- فهرست منابع

• امامی، کریم و امام وردی، قدرت الله. (1388). بررسی امکان پیش بینی شاخص قیمت سهام در بازار سرمایه ایران و مقایسه توان پیش بینی مدلهای خطی و غیرخطی. اقتصاد مالی، 3(7)، 83-56.
• باباجانی، جعفر، تقوا، محمدرضا، بولو، قاسم، عبدالهی، محسن. (1398). مقاله پژوهشی: پیش بینی قیمت سهام در بورس تهران با استفاده از شبکه عصبی بازگشتی بهینه شده با الگوریتم کلونی زنبور عسل مصنوعی. راهبرد مدیریت مالی 7(2). 195-228.
• باغستانی، علی اکبر، یزدانی، سعید و احمدیان، مجید. (1394). کاربرد رهیافت شبکه عصبی در پیش‌بینی قیمت کنجاله سویا در بورس کالای ایران. اقتصاد مالی، 9(33)، 14-1.
• بختیاران، محمد جواد، ذوالفقاری، مهدی. (1400). طراحی مدلی جهت پیش بینی بازده بیت‌کوین (با تاکید بر مدل‌های ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدل‌های با حافظه بلندمدت). مهندسی مالی و مدیریت اوراق بهادار. 12(47)، 187-161.
• بشیری، میثم، پاریاب، سیدحسین. (1399). پیش‏ بینی قیمت بیت‏ کوین با استفاده از الگوریتم‏ های یادگیری ماشین، اقتصاد کاربردی،10(34)، 13-1.
• صالحی فر, محمد. (1398) بررسی رفتار بازده و ریسک بیت کوین درمقایسه با بازارهای طلا، ارز و بورس با رویکرد مدل های GJR-GARCH و گارچ آستانه. مهندسی مالی و مدیریت اوراق بهادار, 10(40), 152-168.
• کاویانی، میثم، فخرحسینی، سید فخرالدین، دستیار، فاطمه. (1399). مروری بر اهمیت و چرایی پیش‎بینی بازده سهام: با تأکید بر متغیرهای کلان اقتصادی. حسابداری و منافع اجتماعی، 10(2)، 131-113.
• محمدشریفی، ابوصالح، خلیلی دامغانی، کاوه، عبدی، فرشید، سردار، سهیلا. (1400). پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق. مطالعات مدیریت صنعتی, 19(61), 125-146.

مریم دولو ، تکتم حیدری (1396). پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک، نشریه اقتصاد مالی،11(40)، 23-1