پیشبینی قیمت ارزهای رمزپایه با استفاده از مدلهای پیشبینی بر پایه هوش مصنوعی
Parallel Title Proper
Forecasting Cryptocurrency Prices Using Artificial Intelligence Models
First Statement of Responsibility
/نوید پروینی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: اقتصاد و مدیریت
Date of Publication, Distribution, etc.
، ۱۳۹۸
Name of Manufacturer
، راشدی
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۷۳ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مدیریت کسب و کار گرایش مالی
Date of degree
۱۳۹۸/۰۶/۱۶
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
هدف :پیشبینی سریهای زمانی از حوزههای پیچیده و چالش برانگیز در علوم مالی و اقتصادی به شمار میآید .پیشبینی قیمتها هم برای تحلیلگران علوم مالی و هم برای معاملهگران از اهمیت بسیار بالایی برخوردار است .از میان روشهای مورد استفاده برای پیشبینی قیمت، در سالهای اخیر روشهای برپایه هوش مصنوعی با استقبال فراوانی مواجه شدهاند .دلیل این امر سرعت و دقت پیشبینی این روشها و همچنین انعطاف پذیری بالای آنها در پردازش سریهای زمانی غیر خطی است .از طرف دیگر قیمت ارزهای رمزپایه جزء سریهای زمانی غیر خطی با نوسانات بالا طبقه بندی میشود .از آنجا که تحقیقات پیشین نشان دادهاند که مدلهای آماری سنتی استفاده شده برای پیشبینی قیمت این ارزها از بازدهی کافی برخوردار نیستند، بر آن شدیم تا در این پژوهش از الگوریتمهای هوش مصنوعی برای پیشبینی قیمت ارزهای رمزپایه استفاده کنیم .نتایج این تحقیق هم برای پژوهشگران این حوزه و هم برای معاملهگران ارزهای رمزپایه قابل استفاده خواهد بود، همچنین این تحقیق میتواند به عنوان پایهای برای تحقیقات آتی بر روی قیمت این ارزها استفاده شود .روششناسی پژوهش :این تحقیق به لحاظ هدف، کاربردی، از نظر ماهیت جزء تحقیقات توصیفی و از لحاظ نوع تحقیق جزء تحقیقات پیشبینی محسوب میشود .همچنین از لحاظ نوع داده، کمی بوده و دادهها از نوع دادههای ثانویه میباشند .مدلهای استفاده شده در این تحقیق عبارتند از :رگرسیون بردار پشتیبان، شبکه های عصبی پرسپترون چندلایه و شبکههای عصبی بازگشتی .همچنین دادههای این تحقیق شامل قیمت آغازین، قیمتپایانی، بالاترین قیمت، پایینترین قیمت و حجم معاملات بیتکوین در بازه زمانی روزانه در فاصله زمانی بین سپتامبر ۲۰۱۱ تا دسامبر ۲۰۱۸ بوده و هدف مدلهای پیشنهادی، پیشبینی بالاترین قیمت روز آینده این ارزها میباشد .در ابتدا دادهها به سه شکل یک بعدی، دو بعدی و سه بعدی طراحی شده و سپس در هرکدام از مدلها۸۰ درصد از دادهها به عنوان دادههای آموزشی و۲۰ درصد دیگر به عنوان دادههای آزمایشی مورد استفاده قرار میگیرند .ابزار مورد استفاده در این تحقیق نرم افزار پایتون (Python) بوده و عملکرد مدلها از طریق اندازه گیری مجذور میانگین مربعات خطا، میانگین درصد خطای مطلق و ضریب تعیین اندازهگیری میشود .یافتهها :نتایج حاصل از پیشبینیها و اندازه گیری عملکرد مدلها نشان میدهد که مدل۱D - SVRدارای کمترین مقدار میانگین درصد خطای مطلق بوده و در مجموع دقت بالاتری در پیشبینی قیمت بیتکوین نسبت به سایر مدلها دارد .همچنین مدلهای۳D - LSTMو۱D - SVRدارای بهترین منحنی برازش بر روی مدل نمودار قیمت است .این پژوهش همچنین نشان میدهد که ماتریکسهای یک، دو و سه بعدی از دادههای ورودی بهترین دادههای ورودی به ترتیب برای الگوریتمهای رگرسیون بردار پشتیبان، شبکههای عصبی پرسپترون چندلایه و شبکههای عصبی بازگشتی LSTM بوده و کمترین خطا را در مقایسه با سایر آرایشهای داده تولید میکنند .نتیجه گیری :از یافتههای این پژوهش میتوان نتیجه گرفت که الگوریتمهای پیشبینی بر پایه هوش مصنوعی میتوانند قیمتهای آتی ارزهای رمزپایه را با دقت بالایی پیشبینی کنند .همچنین این مدلها برتری قابل توجهی نسبت به سایر مدلهای آماری سنتی دارند .علاوه بر این، دقت این مدلها وابسته به شکل دادههای ورودی و مشخصههای مورد استفاده در دادهها میباشد اما دادههای پیچیدهتر لزوما بازدهی بالاتری را نتیجه نمیدهد
Text of Note
Forecasting financial time series is one of the challenging fields of finance and economics. Price prediction is of crucial importance both for financial analysts and traders. Among forecasting method, artificially intelligence based forecasting methods has gained much attention in recent years due to their fast and accurate predictions along with their flexibility in handling non-linear and non-stationary time series. On the other hand, though, cryptocurrency prices are one of the most volatile, non-linear financial time series. Due to the deficiency of the traditional statistical methods, we, in this study, are proposing machine learning based models to forecast cryptocurrency prices. Methodology: The present research is quantitative and can be categorized as a forecasting research. The data used in this research is quantitative secondary data, which includes opening, closing, highest and lowest prices of Bitcoin, as well as Bitcoin traded volume on the daily basis from September 2011 to December 2018. The target data of each forecasting model is to predict the highest price of next day. Machine learning algorithms used in this study are include: Support Vector Regression, Multi-layer Perceptron Neural Networks and Long Short-term Memory Recurrent Neural Networks. We performed our models on the Python programming language and utilized RMSE, MAPE and R2 to evaluate proposed models. Findings: Our findings show that the SVR-1D model has the highest forecasting power regarding both MAPE and R2 and both SVR-1D and LSTM-3D exhibit best fitting curve on the price points. Additionally, the 1D, 2D and 3D input data matrices are the best for SVR, MLP and LSTM algorithms, respectively. Conclusion: It can be inferred from the findings that machine learning algorithms not also are able to predict cryptocurrency prices accurately, but they exhibit higher accuracy and lower errors in comparison to tradition statistical methods. In addition to this, these algorithms' performances are highly dependent upon the input data structure
PARALLEL TITLE PROPER
Parallel Title
Forecasting Cryptocurrency Prices Using Artificial Intelligence Models