31266

مقايسه عملكرد شبكه هاي عصبي مصنوعي با استفاده از تكنيك هاي pca و k fold در پيش بيني قيمت بسته شدن ارز ديجيتال بيت كوين

ارشد

أمار رياضي

1401

18 شهرور 1403

رحمان فرنوش

احمدي رضا

رياضي

پيش بيني قيمت بيت كوين به دليل نوسانات ذاتي ارز ديجيتال و تأثير گسترده آن بر بازارهاي مالي جهاني اهميت پيدا كرده است. از نظر پيش‌بيني، طي مطالعات بسياري، مشخص شده است كه روش‌هاي آماري سنتي اغلب نمي‌توانند ديناميك غيرخطي قيمت بيت‌كوين را به تصوير بكشند، بنابراين استفاده از تكنيك‌هاي مدرن مانند شبكه‌هاي عصبي مصنوعي ضروري است. اين مطالعه عملكرد مدل‌هاي مختلف شبكه عصبي - LSTM، PNN، BNN، CNN و Boost را بررسي مي‌كند و آنها را با مدل‌هاي تركيبي كه LSTM و اين الگوريتم‌ها را تركيب مي‌كنند، مقايسه مي‌كند. تجزيه و تحليل مؤلفه اصلي (PCA) و اعتبارسنجي متقاطع K-Fold نيز براي كاهش بيش از حد برازش و ارزيابي تعميم‌پذيري مدل، همه در يك چارچوب مقايسه متقابل براي يافتن مدل با بهترين عملكرد پيش‌بيني، به كار گرفته شد. مدل LSTM قابليت هاي پيش بيني برتري را نشان داد و به RMSE پايين 148.03 و R² بالا 0.997 دست يافت. با اين حال، استفاده از PCA منجر به كاهش عملكرد شد، كه اهميت متعادل كردن راندمان محاسباتي و دقت پيش‌بيني را برجسته مي‌كند. PNN و BNN نتايج قوي نشان دادند، با BNN تخمين هاي ارزشمندي از عدم قطعيت ارائه كرد. مدل CNN قادر بود الگوهاي پيچيده را به طور موثر شناسايي كند، اما به موارد دورافتاده حساس بود، در حالي كه XGBoost به دقت بالايي دست يافت اما به طور قابل توجهي تحت تأثير PCA قرار گرفت. در ميان مدل‌هاي هيبريدي، LSTM-XGBoost بهترين نتايج را با RMSE 219.78 و R² 0.9998 توليد كرد كه مزاياي تركيب مدل‌ها را برجسته مي‌كند. با اين حال، متوجه مي‌شويم كه تغييرپذيري مدل‌هاي تركيبي بر نياز به تنظيم دقيق پارامترها تأكيد دارد. اين مطالعه نشان مي‌دهد كه مدل‌هاي شبكه عصبي فوق، به ويژه LSTM و مدل‌هاي تركيبي آن، دقت اميدواركننده‌اي را براي پيش‌بيني قيمت بيت‌كوين ارائه مي‌دهند. توصيه مي كنيم هنگام استفاده از PCA به دليل تنوع آن در مدل ها احتياط كنيد و تأكيد مي كنيم كه K-Fold براي اطمينان از استحكام و تعميم پذيري ضروري است. اين نتايج به بهبود مدل‌سازي پيش‌بيني‌كننده در بازارهاي ارزهاي ديجيتال كمك مي‌كند.

1403/07/10

Comparing the performance of artificial neural networks using pca and k fold techniques in predicting the closing price of the digital currency Bitcoin

1/1/1900 12:00:00 AM

Accurately predicting Bitcoin's closing price is critical due to the cryptocurrency's inherent volatility and substantial impact on global markets. Traditional statistical methods often fail to capture the non-linear dynamics of Bitcoin prices, necessitating the use of advanced models. This study examines the performance of various neural network models—LSTM, PNN, BNN, CNN, and XGBoost—alongside hybrid models combining LSTM with these algorithms to enhance prediction accuracy. Principal Component Analysis (PCA) and K-Fold cross-validation were applied to mitigate overfitting and assess model generalizability. The LSTM model demonstrated superior temporal forecasting capabilities, achieving a low RMSE of 148.03 and a high R² of 0.997. However, PCA application led to reduced performance, indicating a trade-off between computational efficiency and prediction accuracy. PNN and BNN exhibited strong results, with BNN providing valuable uncertainty estimates. The CNN model effectively identified complex patterns but showed sensitivity to outliers, while XGBoost achieved high accuracy but was significantly affected by PCA. Among the hybrid models, LSTM-XGBoost delivered the best results with an RMSE of 219.78 and R² of 0.9998, highlighting the advantages of model combination. However, hybrid model variability underscores the need for careful parameter tuning. This study concludes that advanced neural network models, particularly LSTM and its hybrids, offer promising accuracy for Bitcoin price prediction. The use of PCA should be cautiously considered due to its impact on model performance, while K-Fold cross-validation remains essential for ensuring robustness and generalizability. These findings contribute to the optimization of predictive modeling in cryptocurrency markets and underscore the ethical considerations necessary in their application.

LSTM , شبكه هاي عصبي مصنوعي , CNN , PCA , K-Fold cross-validation , PNN , BNN

LSTM , artificial neural network , CNN , PCA , K-Fold cross-validation , PNN , BNN

Ali ALmamoori

Dr. Rahman Farnoosh