پیش بینی cryptocurrency با شبکه های عصبی پر هرج و مرج عمیق یادگیری

ما تکنیک های یادگیری عمیق را برای پیش بینی قیمت سه ارز دیجیتالی که به طور گسترده تر معامله می شوند ، یعنی بیت کوین ، پول نقد دیجیتال و موج دار اجرا می کنیم. به بهترین دانش ما ، این اولین کار برای استفاده از یادگیری عمیق در پیش بینی cryptocurrency است. نتایج حاصل از آزمایش وجود غیرخطی نشان داد که سری زمانی از تمام ارزهای دیجیتال پویایی فراکتال ، حافظه طولانی و شغلی خود را نشان می دهد. پیش بینی توپولوژی های شبکه عصبی حافظه با کوتاه مدت (LSTM) در مقایسه با معماری عصبی رگرسیون عمومی ، که به عنوان سیستم معیار ما تنظیم شده است ، به طور قابل توجهی بیشتر است. دومی بدون در نظر گرفتن میزان آلودگی با سر و صدا نتوانست الگوهای پنهان جهانی جهانی را تقریبی کند ، زیرا آنها بر اساس هسته های گاوسی فقط برای تقریب محلی سیگنال های غیر ثابت ساخته شده اند. اگرچه بار محاسباتی مدل LSTM بر خلاف نیروی بی رحمانه در تشخیص الگوی غیرخطی بیشتر است ، اما در نهایت یادگیری عمیق در پیش بینی پویایی هرج و مرج ذاتی بازارهای رمزنگاری بسیار کارآمد بود.

معرفی

در ادبیات اکونوفیزیک معاصر ، علاقه فزاینده ای به مطالعه پویایی عمومی بیت کوین و به طور کلی ارزهای دیجیتال وجود دارد. به عنوان مثال ، حافظه طولانی برای ارزیابی راندمان بازار ارزهای رمزنگاری شده در [1] ، [2] ، [3] ، [4] اندازه گیری شد ، نوسانات آنها در [5] ، [6] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7] ، [7]8] ، [9] ، نقدینگی و ریزساختار در [10] ، [11] ، [12] مورد بررسی قرار گرفت ، جنبه های ریسک و سوداگرانه در [13] ، [14] مورد بررسی قرار گرفتند ، در حالی که گله و تجارت بهینه در [15] مورد بررسی قرار گرفت.، [16].

اگرچه پیش بینی قیمت سهام گامی اساسی در جهت بهینه سازی و محافظت از نمونه کارها است ، اما فقط تعداد محدودی از آثار به ویژه برای بازار بیت کوین روی این موضوع متمرکز شده اند. به عنوان مثال ، نویسندگان در [17] از مجموعه ای از شاخص های فنی به عنوان ورودی به معماری یادگیری عمیق متشکل از هفت لایه برای پیش بینی روند بازگشت آینده بیت کوین استفاده کردند. یک شبکه عصبی مصنوعی ترکیبی با ناهمگونی مشروط به اتخاذ شده خودکار (ANN-GARCH) که با شاخص های تجزیه و تحلیل فنی آموزش دیده است ، برای پیش بینی نوسانات قیمت آن در [18] پیشنهاد شده است. در یک کار دیگر ، یک سیستم مبتنی بر یادگیری عمیق برای پیش بینی نوسان در قیمت بیت کوین و معاملات بر اساس نظرات کاربری و احساسات حاصل از انجمن های آنلاین پیشنهاد شده است [19].

شبکه های عصبی مصنوعی به طور گسترده ای برای پیش بینی بازارهای مالی از طریق استفاده از تاخیر به عنوان ورودی [20] ، [21] ، [22] ، [23] ، [24] ، [25] یا با استفاده از شاخص های فنی [17] ، [17] ، [17] ، [17] ، [17] ، [17]18] ، [26] ، [27] ، [28] ، [29] ، [30]. در سایر آثار تجزیه و تحلیل متنی و شاخص های احساسات به عنوان پیش بینی کننده پیش بینی بازار سهام [19] ، [31] ، [32] اندازه گیری شد. با این حال ، تولید پیش بینی های دقیق در یک چارچوب تحلیلی پیچیده و سریع هنوز هم به عنوان یک مشکل چالش برانگیز مربوط می شود.< SPAN> شبکه های عصبی مصنوعی به طور گسترده ای برای پیش بینی بازارهای مالی از طریق استفاده از تاخیر به عنوان ورودی [20] ، [21] ، [22] ، [23] ، [24] ، [25] یا با استفاده از شاخص های فنی استفاده شده اند [17] ، [18] ، [26] ، [27] ، [28] ، [29] ، [30]. در سایر آثار تجزیه و تحلیل متنی و شاخص های احساسات به عنوان پیش بینی کننده پیش بینی بازار سهام [19] ، [31] ، [32] اندازه گیری شد. با این حال ، تولید پیش بینی های دقیق در یک چارچوب تحلیلی پیچیده و سریع هنوز هم به عنوان یک مشکل چالش برانگیز مربوط می شود. شبکه های عصبی منطقه ای به طور گسترده ای برای پیش بینی بازارهای مالی از طریق استفاده از تاخیر به عنوان ورودی استفاده می شدند [20] ، [21] ، [22] ، [23] ، [24] ، [25] یا با استفاده از شاخص های فنی [17] ، [18] ، [26] ، [27] ، [28] ، [29] ، [30]. در سایر آثار تجزیه و تحلیل متنی و شاخص های احساسات به عنوان پیش بینی کننده پیش بینی بازار سهام [19] ، [31] ، [32] اندازه گیری شد. با این حال ، تولید پیش بینی های دقیق در یک چارچوب تحلیلی پیچیده و سریع هنوز هم به عنوان یک مشکل چالش برانگیز مربوط می شود.

هدف از مطالعه حاضر ما اساساً دو برابر است. در مرحله اول ، ما به دنبال ارزیابی پیش بینی بیشتر ارزهای دیجیتال فعال با بررسی پویایی ذاتی غیرخطی آنها از جمله هرج و مرج ذاتی [33] ، [34] و Fractality [35] هستیم. ثانیاً ، ما با هدف استفاده از یادگیری عمیق [36] به عنوان توپولوژی سیستم دینامیکی اساسی برای استخراج خودکار الگوهای پنهان که از پویایی غیرخطی سری های زمانی خود استفاده می شود ، استفاده می کنیم. در نتیجه ، ما به روشهای زیر به ادبیات مربوطه کمک می کنیم: همانطور که تحقیقات دقیق از خصوصیات آماری غیرخطی فعال ترین ارزهای دیجیتال در آثار اخیر به بهترین دانش ما وجود ندارد ، ما سعی می کنیم از یک اکونوفیزیک به این موضوع بپردازیمچشم انداز. ثانیا ، با بررسی اینکه آیا هرج و مرج ذاتی است ، می توانیم پیش بینی کوتاه مدت ارزهای رمزپایه را روشن کنیم. سوم ، برخلاف آثار قبلی در مورد پیش بینی ارز [18] ، [19] و پیش بینی بازار مالی [20] ، [21] ، [22] ، [23] ، [24] ، [25] ، [26] ، [27] ، [28] ، [29] ، [30] ، [31] ، [32] ، ما به دنبال ایجاد یک شبکه عصبی پیچیده بر اساس یادگیری عمیق برای استخراج و بهره برداری از اطلاعات پنهان ارائه شده توسط الگوهای خطی یا غیرخطی در درون هستیمداده های خام ارزهای دیجیتال به گونه ای که همزمان پیش بینی های دقیق و سریع انجام شود ، که دومی از آن در عمل تجارت مدرن از اهمیت ویژه ای برخوردار است. با توجه به اینکه تنظیم معادلات تحلیلی با پارامترها و ضرایب متغیر زمان به منظور نشان دادن رابطه بین داده های سری زمانی پیچیده ، بدون برچسب و ابعاد بالا ، کاملاً دست و پا گیر یا غیرممکن است ، تجزیه و تحلیل ما بدیهی است. علاوه بر این ، استخراج دستی الگوهای مشخص شده دامنه که برای آموزش یک سیستم پیش بینی پیشرفته و پیچیده ، از جمله شبکه های عصبی مصنوعی استفاده می شود ، به طور معمول پر هزینه و وقت گیر است. درمجموع ، نتایج ما ناشی از دیدگاه پویایی غیرخطی است که نشان می دهد برجسته ترین ارزهای دیجیتال بسته به شکستگی و هرج و مرج اندازه گیری شده قابل پیش بینی هستند یا نه ، در حالی که نتایج ما از معرفی یادگیری عمیق ، ثبات را نشان می دهدو صحت پیش بینی آنها

در این راستا ، ما از بزرگترین نماینده Lyapunov (LLE) [33] ، [34] و تجزیه و تحلیل نوسان دفع شده (DFA) بر اساس نمایندگی Hurst استخراج شده [35] از سری زمانی برای تشخیص هرج و مرج و/یا ویژگی های فراکتالی استفاده می کنیم. ارزهای دیجیتالی اساسی. به طور خاص ، اولی اجازه می دهد تا در صورت وجود ، وجود نقشه های قطعی غیرخطی را بررسی کنید ، در حالی که اقدامات بعدی وجود حافظه طولانی را بدون هیچ گونه فرضیه در مورد ثابت بودن نشان می دهد. سرانجام ، ما یک سیستم داده سیگنال هوشمند کاوی و پیش بینی را بر اساس یادگیری عمیق از طریق یک توپولوژی خاص از شبکه های عصبی به نام شبکه های حافظه با کوتاه مدت کوتاه مستقر می کنیم و از این پس به عنوان LSTM مشخص می شویم. برای آزمایش قوام و استحکام ، یک مقایسه آزمایشی بین LSTM و معیار شبکه های عصبی رگرسیون عمومی مشهور (GRNN) در سه ارز دیجیتال اصلی و مایع انجام می شود.

شبکه های عصبی LSTM LSTH DEEP LEARNIGHT [36] با جایگزین کردن گره ها در RNN با سلول های حافظه و مکانیسم دروازه ، بر مشکلات شبکه های عصبی مکرر (RNN) مربوط به شیب های ناپدید شده غلبه می کند. در این راستا ، این یک معماری عصبی عمیق یادگیری جذاب است که بیشتر به دلیل اثربخشی آن در به یاد آوردن اطلاعات زمانی طولانی و کوتاه مدت به طور همزمان است [36]. توپولوژی LSTM مکرر است که اتصالات بین واحدها یک چرخه/حلقه مستقیم را تشکیل می دهد و به سیگنال های ورودی داده اجازه می دهد تا هم به جلو و هم به عقب در شبکه جریان یابد. پس از آن ، اطلاعات گذشته برای پردازش آینده حفظ می شود. GRNN [38] یک سیستم موازی و مبتنی بر حافظه است که سطح رگرسیون یک متغیر مداوم را تخمین می زند در حالی که یادگیری سریع و همگرایی را به سطح رگرسیون بهینه ارائه می دهد زیرا تعداد نمونه بسیار بزرگ می شود [39]. با توجه به آن ویژگی های جذاب منحصر به فرد ، LSTM و GRNN با موفقیت در مشکلات مختلف تجزیه و تحلیل داده ها و مدل سازی [40] ، [41] ، [42] استفاده شدند.

به بهترین دانش ما ، این اولین کار برای استفاده از یادگیری عمیق برای پیش بینی قیمت ارزهای دیجیتال است. ادامه مقاله به شرح زیر تدوین شده است. بخش 2 روشهای LLE و DFA را برای تشخیص دینامیک غیرخطی توصیف می کند در حالی که معماری های LSTM و GRNN با جزئیات نشان داده شده اند. بخش 3 پروتکل آزمایش های انجام شده را در معرض نمایش قرار می دهد ، مجموعه داده های ما را ارائه می دهد و نتایج تجربی را نشان می دهد. سرانجام ، بخش 4 نتیجه می گیرد.

قطعه قطعه

تخمین "نزدیکترین محله" از بزرگترین نماینده Lyapunov

ما رویکرد روزنشتاین و همکاران را دنبال می کنیم.[34] برای برآورد بزرگترین نماینده لیاپونف (LLE). مزایای اصلی الگوریتم پیشنهادی صحت ، استحکام به مجموعه داده های کوچک و پر سر و صدا و محاسبات سریع است [34]. این رویکرد به طور خلاصه در مرحله بعدی شرح داده شده است. ما یک سیگنال ارز دیجیتال X را در نظر می گیریم₁، ایکس₂,…, x_N>و فرض کنید که x_i = ( x_i,x_{i + J} ,…, x_{i +( m - t ) J}) وضعیت سیستم در زمان گسسته I ، جایی که J تأخیر یا تأخیر در بازسازی است ، و M بعد تعبیه است. سپس

پروتکل آزمایشات

با توجه به استفاده از عملکرد TANH در داخل توپولوژی LSTM عمیق یادگیری و برای برآورد بهتر سطح رگرسیون بهینه توسط GRNN ، مقادیر بردار خام (ورودی) به دامنه [1،1] تبدیل می شوند. علاوه بر این ، این مقیاس ایده آل برای امکان یادگیری عمیق شبکه های LSTM و GRNN ها در دامنه ها است. از آنجا که تعداد موجود در مشاهدات نمونه محدود است زیرا ارزهای دیجیتال ارزهای رمزنگاری جدید یا دارایی های دیجیتال هستند ، 90 ٪ اول

پیامدهای فنی و اقتصادی

کار ما ، به بهترین دانش ما ، اولین کسی است که از یادگیری عمیق برای پیش بینی قیمت ارزهای دیجیتال استفاده می کند. بررسی پویایی هرج و مرج و فراکتال در سیستم های غیرخطی از نظر پیش بینی آنها از اهمیت ویژه ای برخوردار است. یک سیستم ناپایدار یا بسیار پر سر و صدا (سیگنال) ممکن است پیش بینی کوتاه مدت یا بلند مدت محدود را نشان دهد ، در حالی