27677

پيش بيني و تخمين قيمت ارزهاي ديجيتال با روش هاي باناظر

كارشناسي ارشد

مهندسي برق- كنترل

1398

1401/6/30

سعيد عباداللهي

دانشكده مهندسي برق

داده هاي توليد شده توسط بازار به عنوان يك گنج دانش براي سرمايه گذاران محسوب مي شود. در اين پژوهش به ارائه راه حلي جديد براي مسئله پيش بيني پرداخته مي شود استفاده از اين راه حل براي بازار كريپتو صحيح مي باشد چراكه از طبيعت آن نشات گرفته و پتانسيل استفاده در بازارهاي موازي را ندارد. پيش بيني دقيق بازارهاي مالي براي معامله گران اين بازار حائز اهميت است ،از اين رو افراد تلاش مي كنند الگوهاي پنهان را كه ديگران استفاده نمي كنند را براي پيش بيني آينده بازار استخراج و مورد استفاده قرار دهند . هدف اين تحقيق ارائه يك مدل هوشمند و مبتني بر داده كاوي براي پيش بيني قيمت بازار ارزهاي ديجيتال است . جهت جمع آوري داده هاي مربوط به قيمت رمزارزهاي مورد بررسي در بازه زماني كوتاه مدت مدت(روزانه) استفاده شده است.داده هاي جمع آوري شده شامل رمز ارز بيت كوين،اتريوم براي معرفي مدل تركيبي است.سپس با استفاده از9 رمز ارز ديگر به پيش بيني مدل تشخيص روند مي پرداخته شده است . از نتايج به دست آمده با مدل تشخيص روند كه طراحي شده بر اساس طبيعت بازار كريپتو مي باشد دقت پيش بيني در هر روند تصادفي در طول يك هفته به ميزان 83.3 % افزايش خواهد يافت. پيش بيني مورد استفاده ، خطاي تشخيص روند را با استفاده از راي گيري بين پيش بيني هاي صورت گرفته روي 9 ارز ديجيتال مختلف با پيشينه قيمتي متفاوت از يكديگر به انجام مي رساند ، به طور مثال 7 ارز ديجيتال از 9 ارز بررسي شده روند قيمت را صعودي تشخيص داده اند و دو ارز ديجيتال روند را براي فردا منفي تشخيص داده اند پس روند قيمت با اكثريت آرا مثبت تشخيص داده مي شود و با همين رويكرد براي 8 روز پيش بيني روند را به جلو مي بريم ، از ديگر نتايج بدست آمده پيش بيني روند با افزايش افق پيش بيني دچار افزايش خطا نمي شود و خطا در آن به طور يكنواخت توزيع شده است اين امر به آن دليل مي باشد كه در پيش بيني صرفا از الگوريتم استفاده نشده (AI) و يكي از بنيادين ترين خواص اين بازار مالي مورد توجه و استفاده قرار گرفته است .

1401/10/19

Predicting and estimating the price of digital currencies with observer methods

9/21/2023 12:00:00 AM

The data generated by the market is considered as a treasure of knowledge for investors. In this research, a new solution for the prediction problem is presented. The use of this solution is correct for the crypto market because it originates from its nature and does not have the potential to be used in parallel markets. Accurate prediction of financial markets is important for traders in this market, so people try to extract and use hidden patterns that others do not use to predict the future of the market. The purpose of this research is to provide an intelligent model based on data mining to predict the market price of digital currencies. In order to collect data related to the price of the studied cryptocurrencies in a short period of time period (daily) has been used. The collected data includes Bitcoin and Ethereum to introduce the hybrid model. Then, using 9 other currencies, the trend detection model has been predicted. From the results obtained with the trend detection model, which is designed based on the nature of the crypto market, the prediction accuracy will increase by 83.3% in any random trend during one week. The prediction used performs the trend detection error by voting between the predictions made on 9 different digital currencies with different price history, for example, 7 digital currencies out of the 9 investigated currencies show the price trend. They have identified an upward trend and two digital currencies have identified the trend as negative for tomorrow, so the price trend is recognized as positive by the majority of votes, and with this approach, we will move the trend forward for 8 days of forecasting. The process does not suffer from an increase in error with the increase of the prediction horizon and the error is distributed uniformly, this is due to the fact that the algorithm (AI) is not used in the prediction and it is one of the most fundamental properties of this financial market. Attention and use have been placed.

پيشبيني سري زماني , شبكه‌هاي عصبي , پيش‌ بيني روند , يادگيري ماشين

Time series forecasting , Neural Networks , trend forecasting , Machine Learning

Alireza Arab Khaboori

Dr. Ebadollahi