17035

بررسي ‌پيش‌بيني قيمت ارزهاي ديجيتال با استفاده از شبكه‌هاي LSTM

1402

محمدهادي علائيان

ندارم

پيش‌بيني بازارهاي مالي همواره يكي از چالش‌برانگيزترين مسائل در اقتصادسنجي بوده است. با ظهور ارزهاي ديجيتال، ماهيت به‌شدت پرنوسان و نويزيِ اين دارايي‌ها، محدوديت‌هاي رويكردهاي پيش‌بيني را نمايان ساخته است. هدف اصلي اين پژوهش، ارائه‌ي يك چارچوبِ پيش‌بينيِ دقيق و استوار مبتني بر موازنه‌ي «دقت در برابر هزينه محاسباتي» با استفاده از خانواده شبكه‌هاي حافظه طولاني كوتاه‌مدت LSTM و بهينه‌سازي سيستماتيكِ آن‌هاست. در اين رساله، يك پايگاه داده يكپارچه پنج ساله با فركانس ساعتي از هفت دارايي شاخص بازار استخراج گرديد. به منظور شبيه‌سازي شرايط واقعي معاملات و جلوگيري از نشت داده، رويكرد ارزيابي مبتني بر پيش‌بينيِ تك-قدميِ لغزان بر روي يازده معماري مختلف (شامل مدل‌هاي آماري، الگوريتم‌هاي درختي، شبكه‌هاي بازگشتي، معماري‌هاي كانولوشني، ترنسفورمرها و مدل‌هاي زباني بنيادين) طراحي و پياده‌سازي شد. يافته‌هاي تجربي اين پژوهش نشان داد كه در محيط‌هاي پرنويز مالي، مدل‌هاي آماري خطي (نظير ARIMA عملكرد بسيار قدرتمندي دارند كه تأييدي تجربي بر فرضيه گام تصادفي بازار است. از سوي ديگر، مدل‌هاي مبتني بر درخت در مواجهه با سقف‌هاي تاريخيِ جديد دچار شكست در برون‌يابي مي‌شوند. اگرچه معماري‌هاي عظيم‌الجثه‌ي ترنسفورمر بالاترين دقت (با ضريب تعيين 0.9999 براي بيت‌كوين) را ثبت كردند، اما هزينه محاسباتي و زمان استنتاج آن‌ها به شدت نامتناسب است. در اين ميان، با كاليبراسيون فضاي هايپرپارامتري از طريق الگوريتم جستجوي شبكه‌اي Grid Search، شبكه دوطرفه Bi-LSTM بهينه‌شده توانست با ثبت خطاي درصدي مطلق MAPE معادل 0.56 درصد و ضريب تعيين 0.9976، دقتي بسيار نزديك به مدل‌هاي غول‌پيكر را با كسر بسيار كوچكي از زمانِ آموزش و هزينه پردازشي تأمين نمايد. اين دستاورد ثابت مي‌كند كه شبكه‌هاي بازگشتي به دليل برخورداري از سوگيري استقرايي ماركوفي، نقطه‌ي بهينه (مرز پارتو) ميان دقت پيش‌بيني و سرعت استنتاج را شكل داده و منطقي‌ترين و پايدارترين انتخاب مهندسي براي توسعه سيستم‌هاي معاملات الگوريتمي فركانس‌بالا محسوب مي‌شوند.

10/23/2024 12:00:00 AM

90277

1405/02/22

Review Cryptocurrency Price Prediction Using LSTM Networks

ارزهاي ديجيتال , يادگيري عميق , شبكه‌هاي بازگشتي , ترنسفورمرها , جستجوي شبكه‌اي , موازنه هزينه-دقت , ال‌اس‌تي‌ام

Cryptocurrencies , Deep Learning , Recurrent Neural Network , Transformers , Grid Search , Accurancy-Efficiency Trade-off , LSTM