تعداد نشریات | 56 |
تعداد شمارهها | 1,642 |
تعداد مقالات | 13,020 |
تعداد مشاهده مقاله | 24,587,631 |
تعداد دریافت فایل اصل مقاله | 16,088,331 |
پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق | ||
مطالعات مدیریت صنعتی | ||
مقاله 5، دوره 19، شماره 61، تیر 1400، صفحه 125-146 اصل مقاله (1.82 MB) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22054/jims.2021.52374.2488 | ||
نویسندگان | ||
ابوصالح محمدشریفی1؛ کاوه خلیلی دامغانی ![]() | ||
1دانشجوی دکتری مدیریت فناوری اطلاعات، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
2دانشیار گروه مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران | ||
3استادیار ،گروه مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران | ||
4استادیار ،گروه مدیریت صنعتی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
چکیده | ||
اخیرا بیت کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از چالش های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد روشهایی برای پیش بینی قیمت بیت کوین بسیار هیجان انگیز بوده و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از معامله آن در آینده دارد. در این پژوهش به منظور پیش بینی قیمت بیت کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده شده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از ARIMA جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج نشان می دهد که مدل ARIMA-GRU برای معیار های RMSEو MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند. | ||
کلیدواژهها | ||
پیش بینی قیمت؛ رمز ارز؛ بیت کوین؛ یادگیری عمیق؛ ARIMA | ||
مراجع | ||
صالحی فر, محمد. (1398) بررسی رفتار بازده و ریسک بیت کوین درمقایسه با بازارهای طلا، ارز و بورس با رویکرد مدل های GJR-GARCH و گارچ آستانه. مهندسی مالی و مدیریت اوراق بهادار, 10(40), 152-168.
References
Aggarwal, A., Gupta, I., Garg, N., & Goel, A. (2019, August). “Deep Learning Approach to Determine the Impact of Socio Economic Factors on Bitcoin Price Prediction”, In 2019 Twelfth International Conference on Contemporary Computing (IC3) (pp. 1-5). IEEE.
Albariqi, R., & Winarko, E. (2020, February). “Prediction of Bitcoin Price Change using Neural Networks”, In 2020 International Conference on Smart Technology and Applications (ICoSTA) (pp. 1-4). IEEE.
Bonneau, J., Miller, A., Clark, J., Narayanan, A., Kroll, J. A., & Felten, E. W. (2015, May). “Sok: Research perspectives and challenges for bitcoin and cryptocurrencies”, In 2015 IEEE Symposium on Security and Privacy (pp. 104-121). IEEE.
Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). “Learning phrase representations using RNN encoder-decoder for statistical machine translation”, arXiv preprint arXiv:1406.1078.
Dutta, A., Kumar, S., & Basu, M. (2020). “A Gated Recurrent Unit Approach to Bitcoin Price Prediction”, Journal of Risk and Financial Management, 13(2), 23.
Greaves, A., & Au, B. (2015). “Using the Bitcoin transaction graph to predict the price of Bitcoin”, Quoted, 3, 22.
Karakoyun, E. S., & Cibikdiken, A. O. (2018, May). “Comparison of arima time series model and lstm deep learning algorithm for bitcoin price forecasting”, In The 13th multidisciplinary academic conference in prague 2018 (the 13th mac 2018) (pp. 171-180).
Katsiampa, P. (2017). “Volatility estimation for Bitcoin: A comparison of GARCH models”, Economics Letters, 158, 3-6
Madan, I., Saluja, S., & Zhao, A. (2015). “Automated bitcoin trading via machine learning algorithms”, 2015. Dept. Comput. Sci., Stanford Univ., Stanford, CA, USA, Tech. Rep.
McNally, S., Roche, J., & Caton, S. (2018, March). “Predicting the price of bitcoin using machine learning”, In 2018 26th Euromicro International Conference on Parallel, Distributed and Network-based Processing (PDP) (pp. 339-343). IEEE.
Poyser, O. (2019). “Exploring the dynamics of Bitcoin’s price: A Bayesian structural time series approach”, Eurasian Economic Review, 9(1), 29-60.
Rashid, T. A., Fattah, P., & Awla, D. K. (2018). “Using accuracy measure for improving the training of lstm with metaheuristic algorithms”, Procedia Computer Science, 140, 324-333.
Sin, E., & Wang, L. (2017, July). “Bitcoin price prediction using ensembles of neural networks”, In 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD) (pp. 666-671). IEEE.
Sovbetov, Y. (2018). “Factors influencing cryptocurrency prices: Evidence from bitcoin, ethereum, dash, litcoin, and monero”, Journal of Economics and Financial Analysis, 2(2), 1-27.
Xiong, L., & Lu, Y. (2017, April). “Hybrid ARIMA-BPNN model for time series prediction of the Chinese stock market”, In 2017 3rd International Conference on Information Management (ICIM) (pp. 93-97). IEEE.
Yamak, P. T., Yujian, L., & Gadosey, P. K. (2019, December). “A Comparison between ARIMA, LSTM, and GRU for Time Series Forecasting”, In Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence (pp. 49-55).
Yenidoğan, I., Çayir, A., Kozan, O., Dağ, T., & Arslan, Ç. (2018, September). “Bitcoin forecasting using arima and prophet”, In 2018 3rd International Conference on Computer Science and Engineering (UBMK) (pp. 621-624). IEEE.
Zhang, G. P. (2003). “Time series forecasting using a hybrid ARIMA and neural network model”, Neurocomputing, 50, 159-175.
Salehifar, M, (2019).” Investigation of Bitcoin Returns and Risk Behavior in Comparison with Gold, Currency and Stock Markets with the Approach of GJR-GARCH and Threshold GARCH Models”, Journal of Financial Engineering and Securities Management, 10(40),152-168. [In Persian].
.
| ||
آمار تعداد مشاهده مقاله: 1,014 تعداد دریافت فایل اصل مقاله: 631 |