بررسی مشکل پیشبینی قیمت ارزهای دیجیتال: رویکرد یادگیری عمیق

این مقاله از طریق زیرمجموعه دسترسی آزاد PMC برای استفاده مجدد از تحقیقات نامحدود و تجزیه و تحلیل ثانویه به هر شکل یا به هر وسیله ای با اذعان به منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) در مورد COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.

چکیده

در دهه گذشته، ارز دیجیتال در حوزه مالی به عنوان یک عامل کلیدی در مشاغل و فرصت های بازار مالی ظهور کرده است. پیش بینی های دقیق می تواند به سرمایه گذاران ارزهای دیجیتال در تصمیم گیری های درست سرمایه گذاری کمک کند و منجر به افزایش سود بالقوه شود. علاوه بر این، آنها همچنین می توانند از سیاست گذاران و محققان مالی در مطالعه رفتار بازارهای ارزهای دیجیتال حمایت کنند. با این وجود، پیش بینی قیمت ارزهای دیجیتال به دلیل ماهیت آشفته و بسیار پیچیده آن، یک کار بسیار چالش برانگیز در نظر گرفته می شود. در این مطالعه ما برخی از موفق ترین و پرکاربردترین الگوریتم های یادگیری عمیق را برای پیش بینی قیمت ارزهای دیجیتال ارزیابی می کنیم. نتایج به دست آمده، شواهد قابل توجهی را ارائه می دهد که مدل های یادگیری عمیق قادر به حل این مشکل به طور کارآمد و مؤثر نیستند. با انجام آزمایش های دقیق و تجزیه و تحلیل نتایج، به این نتیجه رسیدیم که ابداع و ترکیب تکنیک ها، استراتژی ها و رویکردهای جایگزین مانند: الگوریتم های پیش بینی پیچیده تر، روش های مجموعه پیشرفته، تکنیک های مهندسی ویژگی و سایر معیارهای اعتبارسنجی ضروری است.

مقدمه

کریپتوکارنسی نوع جدیدی از ارز دیجیتال است که از فناوری بلاک چین و توابع رمزنگاری برای به دست آوردن شفافیت، تمرکززدایی و تغییرناپذیری استفاده می کند [12]. بیت کوین (BTC) اولین و محبوب ترین ارز رمزنگاری شده در نظر گرفته می شود که توسط یک گروه یا شخص ناشناس در سال 2009 اختراع شد. از آن زمان تاکنون، 4000 ارز دیجیتال جایگزین مانند اتریوم (ETH) و ریپل (XRP) ایجاد شده است که ثابت می کند بازار ارزهای رمزپایهدر حوزه مالی ظهور کرد. BTC، ETH و XRP محبوب ترین ارزهای دیجیتال هستند، زیرا تقریباً 79. 5 درصد از ارزش بازار ارزهای دیجیتال جهانی را در اختیار دارند.

پیش بینی قیمت cryptocurrency می تواند وام را به سرمایه گذاران رمزنگاری برای تصمیم گیری مناسب سرمایه گذاری به منظور دستیابی به سود بالاتر فراهم کند ، در حالی که می تواند از تصمیم گیری سیاست و محققان مالی برای مطالعه رفتار بازارهای رمزنگاری نیز پشتیبانی کند. پیش بینی قیمت Cryptocurrency می تواند به عنوان یک نوع مشترک از مشکلات سری زمانی ، مانند پیش بینی قیمت سهام در نظر گرفته شود. روشهای سنتی سری زمانی مانند مدل معروف یکپارچه متحرک Autoregressive (ARIMA) ، برای قیمت های رمزنگاری و پیش بینی حرکت استفاده شده است [13]. با این حال ، این مدلها قادر به ضبط الگوهای غیرخطی از مشکلات پیش بینی بسیار پیچیده بر خلاف الگوریتم های یادگیری عمیق هستند که در مشکلات پیش بینی سری زمانی به عملکرد بیشتر می رسند [17].

یادگیری عمیق (DL) به الگوریتم های قدرتمند یادگیری ماشین اشاره دارد که در حل مشکلات غیرخطی و پیچیده ای در مورد بهره برداری بیشتر از بسیاری از زمان ها داده ها به منظور تبدیل شدن به مدلهای پیش بینی کننده کارآمد تخصص دارند. پیش بینی دقیق قیمت cryptocurrency از نظر طبیعت یک مشکل قابل توجه و پیچیده است زیرا ارزش های آن به دنبال یک رفتار تقریبا آشوب آور و غیرقابل پیش بینی ، نوسانات بسیار بزرگی را در طول زمان دارند. بنابراین ، تکنیک های یادگیری عمیق ممکن است روش مناسب برای حل این مشکل را تشکیل دهند.

Recent research efforts have adopted deep leaing techniques for predicting cryptocurrency price. Ji et al. [8] conducted a comparison of state-of-the-art deep neural networks such as Long Short-Term Memory (LSTM), Deep Neural Networks (DNNs), deep residual network and their combinations for predicting Bitcoin price. Their results demonstrated slightly better accuracy of LSTM compared to other models for regression problem while DNNs outperformed all models on price movement prediction. Shintate and Pichl [16] developed a trend prediction classification framework for predicting non-stationary cryptocurrency time series utilizing deep leaing. Their results revealed that their proposed model outperformed LSTM baseline model while the profitability analysis showed that simple buy-and-hold strategy was superior to their model and thus it caot yet be used for algorithmic trading. Their results showed that LSTM was superior to the generalized regression neural architecture concluding that deep leaing is a very efficient method in predicting the inherent chaotic dynamics of cryptocurrency prices. Amjad and Shah [3] used live streaming Bitcoin data for predicting price changes (increase, decrease or no-change), building a model based on the most confident predictions, in order to perform profitable trades. The classification algorithms which they used were Random Forest, Logistic Regression and Linear Discriminant Analysis. Their results seem to be very impressive since they achieved a high prediction accuracy (>60-70 ٪) و حدود 5. 33 x بازده متوسط سرمایه گذاری در یک مجموعه آزمون.

در این کار ، ما عملکرد الگوریتم های پیشرفته یادگیری عمیق را برای پیش بینی قیمت و حرکت سه ارز معروف رمزنگاری (BTC ، ETH و XRP) ارزیابی می کنیم. سهم اصلی این تحقیق در بررسی سه سؤال اصلی نهفته است: i) آیا یادگیری عمیق می تواند قیمت های رمزنگاری را به طور مؤثر پیش بینی کند؟ii) آیا قیمت cryptocurrency یک روند پیاده روی تصادفی است؟iii) آیا یک روش اعتبار سنجی مناسب از مدل های پیش بینی قیمت رمزنگاری وجود دارد؟

علاوه بر این ، همچنین در توصیه الگوریتم های جدید و رویکردهای جایگزین برای مشکل پیش بینی cryptocurrency نهفته است.

باقیمانده این تحقیق به شرح زیر سازماندهی شده است: فرقه. 2 مقدمه مختصری از مدلهای پیشرفته یادگیری عمیق که در آزمایشات ما استفاده شده است ، انجام می دهد. بخش 3 روش تحقیق و نتایج تجربی ما را ارائه می دهد. بخش 4 در مورد سه سؤال تحقیق ، در حالی که فرقه است ، بحث و پاسخ می دهد. 5 پیشنهادات ما را در مورد راه حل های جایگزین احتمالی برای مشکل پیش بینی cryptocurrency ارائه می دهد. سرانجام ، فرقه6 اظهارات نتیجه گیری ما را ارائه می دهد.

شرح مختصری از مدل های پیشرفته یادگیری عمیق

الگوریتم های یادگیری عمیق یکی از قدرتمندترین الگوریتم های یادگیری ماشین را تشکیل می دهند که با موفقیت در بسیاری از برنامه های کاربردی تجاری به کار گرفته شده اند. حافظه کوتاه مدت و شبکه های عصبی کانولوشنال احتمالاً محبوب ترین، موفق ترین و پرکاربردترین تکنیک های یادگیری عمیق هستند.

حافظه کوتاه مدت بلند مدت (LSTM) [6] نوع خاصی از شبکه های عصبی عمیق را تشکیل می دهد که قادر به یادگیری وابستگی های طولانی مدت با استفاده از اتصالات بازخورد به منظور "به خاطر سپردن" حالات سلولی شبکه قبلی هستند. این شبکه ها از آنجایی که با موفقیت در طیف گسترده ای از برنامه ها به کار گرفته شده اند و عملکرد قابل توجهی در پیش بینی سری های زمانی از خود نشان داده اند بسیار محبوب شده اند [5]. به طور خاص، شبکه های LSTM توسط یک سلول حافظه، یک ورودی، خروجی و دروازه فراموشی تشکیل شده اند. دروازه ورودی اطلاعات ذخیره شده جدید را در سلول حافظه کنترل می کند، در حالی که دروازه فراموشی اطلاعاتی را که باید ناپدید شوند کنترل می کند. در نهایت، گیت خروجی مقدار اطلاعات خروجی نهایی را کنترل می کند که پس از تأخیر در دروازه ورودی فراموش شده با استفاده از یک حلقه اتصال بازخورد داده می شود. به این ترتیب، LSTM قادر به ایجاد یک جریان اطلاعات کنترل شده است که اطلاعات غیر ضروری را فیلتر می کند و در نتیجه به یادگیری وابستگی های طولانی مدت دست می یابد.

حافظه کوتاه مدت دو جهته (BiLSTM) [15] نوع خاصی از شبکه های عصبی بازگشتی هستند که دو لایه LSTM از جهت های معکوس را به یک خروجی متصل می کنند تا حالت های سلولی شبکه گذشته و آینده را به خاطر بسپارند. ایده اصلی این است که هر دنباله آموزشی به جلو و عقب در دو لایه LSTM جداگانه با هدف دسترسی به هر دو زمینه گذشته و آینده برای یک زمان معین ارائه می شود. به طور خاص، اولین لایه پنهان دارای اتصالات مکرر از مراحل زمانی گذشته است. در حالی که در مورد دوم، اتصالات مکرر معکوس می شوند و فعال سازی را در طول دنباله به عقب منتقل می کنند.

شبکه های عصبی Convolutional (CNN) [2] نوع دیگری از شبکه های عصبی عمیق را تشکیل می دهند که به منظور فیلتر کردن داده های ورودی خام و استخراج ویژگی های ارزشمند ، از لایه های پیچیده و جمع آوری استفاده می کنند ، که به منظور تولید خروجی نهایی ، یک لایه کاملاً متصل را تغذیه می کند. به طور خاص ، آنها عملیات Convolution را در داده های ورودی و به منظور تولید ویژگی های مفید جدید تر اعمال می کنند. لایه های حلقوی معمولاً توسط یک لایه استخر دنبال می شوند که مقادیر از ویژگی های حل شده را تولید می کند که به عنوان نمونه ای از ابعاد پایین تر تولید می شود. در حقیقت ، یک لایه استخر ویژگی های جدیدی را تولید می کند که می تواند به عنوان نسخه های خلاصه از ویژگی های حل شده تولید شده توسط لایه حلقوی در نظر گرفته شود. این بدان معنی است که عملیات جمع آوری می تواند به طور قابل توجهی به شبکه کمک کند تا از آنجا که تغییرات کوچک ورودی ها ، که معمولاً توسط لایه های حلقوی تشخیص داده می شوند ، تقریباً ثابت شوند.

روش آزمایشی

در این کار ، ما عملکرد مدل های پیشرفته DL را برای پیش بینی قیمت BTC ، ETH و XRP ارزیابی می کنیم. مدل های DL ارزیابی شده توسط لایه های CNN ، LSTM ، BILSTM و متراکم تشکیل می شوند. جدول 1 مدل های DL ما را برای بهترین توپولوژی های شناسایی شده نشان می دهد. لازم به ذکر است که آزمایش های جامع و کاملی به منظور شناسایی توپولوژی DL که منجر به بهترین نتایج عملکرد می شوند ، انجام شد.

میز 1.

بهترین توپولوژی شناسایی شده برای مدلهای یادگیری عمیق ما

ما به یاد می آوریم که ایده اصلی استفاده از LSTM و BILSTM در مورد مشکلات پیش بینی قیمت Cryptocurrency ، این است که آنها ممکن است به دلیل طراحی معماری ویژه خود ، به عملکرد پیش بینی کمک کنند ، در حالی که لایه های حلقوی از پیش بینی آنها کمک می کند ، در حالی که لایه های حلقوی آن کمک می کنند. یک مدل CNN ممکن است سر و صدای داده های ورودی خام را فیلتر کرده و ویژگی های ارزشمندی را تولید کند که یک مجموعه داده کمتر پیچیده را تولید می کند که برای مدل پیش بینی نهایی مفیدتر است [9]. بنابراین ، ما انتظار داریم که با ترکیب این مدل های پیشرفته در مقایسه با الگوریتم های یادگیری ماشین کلاسیک ، عملکرد قابل توجهی حاصل شود.

علاوه بر این ، عملکرد مدل های DL در برابر مدل های سنتی ML ML مقایسه شد: پشتیبانی رگرسیون وکتور پشتیبانی (SVR) [4] ، همسایگان 3-بیشتر (3NN) [1] و رگرسور درخت تصمیم گیری (DTR) [10]. کد اجرای در Python 3. 4 نوشته شده است در حالی که برای همه مدل های یادگیری عمیق ما از کتابخانه Keras و Theano به عنوان back-end استفاده کردیم در حالی که کتابخانه Scikit-Lea برای مدل های یادگیری ماشین استفاده می شد.

برای ارزیابی عملکرد رگرسیون مدلهای پیش بینی ، متداول ترین معیارهای اعتبار سنجی میانگین خطای مطلق (MAE) و خطای میانگین مربعات ریشه (RMSE) است. از آنجا که مشکل پیش بینی قیمت cryptocurrency می تواند یک مشکل رگرسیون در نظر گرفته شود ، در آزمایشات ما از این دو معیار ارزیابی استفاده کردیم. با این وجود ، ما فقط نمره RMSE را در این مطالعه گنجانده ایم ، زیرا نمره MAE تقریباً با RMSE رفتار یکسانی داشت. علاوه بر این ، با مقایسه قیمت های پیش بینی شده مدل های ما ، با مدل های واقعی ، ما توانستیم دقت طبقه بندی پیش بینی جهت حرکت قیمت را محاسبه کنیم (اگر قیمت افزایش یابد یا کاهش یابد). بنابراین ، ما از دو معیار عملکرد اضافی استفاده کردیم: دقت (ACC) و-Score ().

مجموعه داده

برای هدف از این تحقیق ، ما از داده های ژانوی ه-2018 تا او ت-2019 استفاده کردیم ، در مورد قیمت های ساعتی در دلار و به مجموعه آموزش متشکل از داده های ژانوی ه-2018 تا فوری ه-2019 (10176 مقادیر) و آزمایش از مجموعه داده شد. مارس 2019 تا او ت-2019 (4416 مقادیر). این داده ها از وب سایت www. kraken.com گرفته شده است ، که یک بستر معاملاتی برای مبادلات cryptocurrency است. همچنین ، ما از چهار افق پیش بینی F (تعداد قیمت های گذشته در نظر گرفته شده) ، یعنی 4 ، 9 ، 12 و 16 ساعت استفاده کردیم ، در حالی که در این مطالعه فقط نتایج افق 4 و 9 ساعت را ارائه می دهیم ، زیرا برای افق بزرگتر آنکاهش عملکرد مشخص شد. گزارش گسترده ای که شامل تمام نتایج آزمایشی است می توان در [14] یافت.

نتایج تجربی

جداول 2 و 3 نتایج تجربی مدل های DL ما را ارائه می دهد. مدلهای CNN-LSTM و CNN-BILSTM بهترین عملکرد کلی را در بین تمام مدلهای پیش بینی به نمایش گذاشتند. به طور خاص ، CNN-LSTM بالاترین عملکرد RMSE را برای همه مجموعه داده ها برای هر افق پیش بینی شده در مقایسه با سایر مدلهای DL به نمایش گذاشت ، در حالی که CNN-BILSTM در بیشتر موارد بهترین ACC را به نمایش می گذارد. با این وجود ، تغییرات عملکرد برای همه مدل های DL حداقل به نظر می رسد. مدل 3NN بالاترین عملکرد RMSE را برای پیش بینی افق 4 در بین تمام مدل های ML در مجموعه داده های BTC و ETH گزارش داد ، در حالی که DTR بالاترین RMSE را در XRP به نمایش گذاشت. برای پیش بینی Horizon 9 ، DTR از تمام مدل های ML برای همه مجموعه داده ها ، با توجه به نمره RMSE بهتر عمل می کند. علاوه بر این ، مدل 3NN تقریباً در همه موارد موفق به دستیابی به بهترین عملکرد کلی در نمره ACC شد. به طور خلاصه ، به نظر می رسد مدلهای پیشرفته DL کمی بهتر از مدل های ML هستند در حالی که آنها نتوانستند در مقایسه با مدل های ML ما به افزایش عملکرد قابل توجه برسند.