Crypto Net: با استفاده از شبکه های عصبی چند لایه خودکار تگرگ برای پیش بینی سری زمانی مالی

هنگام تجزیه و تحلیل یک دارایی مالی ، مطالعه روند سری زمانی آن ضروری است. همچنین لازم است تکامل و فعالیت آن را با گذشت زمان بررسی کنیم تا از نظر آماری رفتار احتمالی آینده آن را تجزیه و تحلیل کنیم. سرمایه گذاران خرده فروشی و نهادی استراتژی های تجاری خود را بر اساس این تحلیل ها پایه گذاری می کنند. یکی از تکنیک های پر کاربرد برای مطالعه سری زمانی مالی ، تجزیه و تحلیل ساختار پویا آن با استفاده از مدلهای خودکار تگرگ ، مدل های متوسط حرکت ساده (SMA) و مدل های متوسط متحرک متلاشی خودکار (ARMA) است. متأسفانه این تکنیک ها همیشه نتایج قابل ملاحظه ای را در سطح آماری و به عنوان نسبت ریسک-پاداش (RRR) ارائه نمی دهند. مهمتر از همه ، هر سیستم جوانب مثبت و منفی خود را دارد. در این مقاله ، ما Crypto Net را ارائه می دهیم. این سیستم مبتنی بر استخراج سری زمانی است که از پتانسیل گسترده هوش مصنوعی (AI) و یادگیری ماشین (ML) بهره می برد. به طور خاص ، ما با ایجاد یک شبکه عصبی مصنوعی ، روی استخراج روند سری زمانی متمرکز شدیم ، روی دو ارز رمزنگاری معروف آموزش داده و آزمایش کردیم: بیت کوین و اتر. الگوریتم یادگیری خالص Crypto مدل رگرسیون خطی کلاسیک را تا 31 ٪ MAE بهبود بخشید (میانگین خطای مطلق). نتایج حاصل از این کار باید تکنیک های یادگیری ماشین را در بخش ها تشویق کند که از نظر کلاسیک تمایلی به اتخاذ رویکردهای غیر استاندارد ندارند.

1. معرفی

استخراج روند سری زمانی مالی یک روش معمول در بین بازرگانان و موسسات است [1،2،3]. برای همه آنها ، درک این نکته ضروری است که روند آینده آنها به سمت بالا ، رو به پایین یا یک طرفه (یعنی حرکات جانبی) خواهد بود. معامله گران مالی شامل فعالیت استخراج روند در چارچوب یا استراتژی معاملات خود هستند. این الگوریتم به یک هدف مهم واحد می پردازد: به حداکثر رساندن سود و به حداقل رساندن ضررها با اجرای موقعیت های ورود و خروج در بازارها. فرقی نمی کند روندهای پیش بینی شده ارائه شده توسط مدل ها به سمت بالا یا پایین باشند ، زیرا ابزارهایی مانند گزینه ها و آینده وجود دارد که اپراتور را قادر می سازد از هر دو جهت حدس بزند.

معامله گران برای دستیابی به این هدف از مدل های مختلف استفاده می کنند [4،5]. خیلی اوقات ، هرچه مدل ساده تر باشد ، بهتر است زیرا معامله گران باید خیلی سریع تجزیه و تحلیل خود را اجرا کنند [6،7]. ارائه سیستم های پیشرفته ای که الگوهای کلاسیک را تخمین می زنند [8]. جالب ترین جنبه این است که امروزه 80 ٪ از عملیات انجام شده در بازارهای مالی توسط نرم افزار (الگوریتم های برنامه ریزی شده) مدیریت می شوند که پس از مطالعه سطح ریاضی و آماری کلیه ابزارهای مالی تهیه شده اند. بنابراین ، تهیه یک استراتژی بر اساس تجزیه و تحلیل فنی و مدلهای احتمالی بسیار ساده تر است. با این وجود ، چنین سیستمهایی همیشه سودآور نیستند و هر سیستم ریاضی دارای جوانب مثبت و منفی است. در مقابل ، مدل های هوش مصنوعی بسیار پیچیده و وقت گیر هستند ، بنابراین مزایای نهایی از هزینه اجرای و استفاده از آنها فراتر نمی رود. یادگیری ماشین و مدل های مرتبط مانند شبکه های عصبی مصنوعی در بین بازرگانان مالی چندان گسترده نیست. این پدیده محدود به امور مالی نیست. به نظر می رسد اعتماد به نفس کوتاهی در مدل های مبتنی بر یادگیری ماشین وجود دارد [9].

در این مقاله ، ما Crypto Net را ارائه می دهیم ، که یک شبکه عصبی اتورگرایی مصنوعی (ARNN) است که به طور خاص برای تجزیه و تحلیل سری زمانی بسته بندی شده هفتگی از دو ارز رمزنگاری محبوب توسط سرمایه گذاری در بازار ، یعنی بیت کوین و اتر تهیه شده است. آنها احساس انقلاب دیجیتال می دهند [10]. وجوه نهادی و معامله گران خرده فروشی باید درک کنند که آیا روند آینده آنها به سمت بالا ، رو به پایین یا پایدار خواهد بود (یعنی حرکات جانبی). بعضی اوقات مدل ها بسیار پیچیده و وقت گیر هستند ، بنابراین مزایای نهایی بر هزینه اجرای و استفاده از آنها غلبه نمی کند. علاوه بر این ، اگرچه ارزهای رمزنگاری شده بسیار محبوب شده اند ، اما تعداد کمی از آثار تخمین سری زمانی را پیشنهاد می کنند. به منظور ایجاد شکاف دشواری ، که یکی از مهمترین بلوک های در کاربرد الگوریتم های مبتنی بر یادگیری ماشین در حوزه مالی است ، ما یک چارچوب OpenSource ، انعطاف پذیر و قابل استفاده را پیشنهاد می کنیم.

Crypto Net در هفته بسته شدن قیمت بیت کوین و اتر ، دو ارز رمزنگاری عمده در جهان برای سرمایه گذاری در بازار آزمایش شده است. ارزهای رمزنگاری شده به خاطر حرکات بسیار بی ثبات خود شناخته شده و تمایل به حرکت در چرخه ها از طریق مراحل رشد قابل توجهی و انقباض دارند. بنابراین ، مشکل مرتبط با ناهمگونی ارزهای رمزپایه بسیار مهمتر از هر دارایی مالی دیگر است. اگرچه ارزهای رمزنگاری شده به خاطر حرکات بسیار بی ثبات خود شناخته شده اند و این واقعیت که تمایل دارند در چرخه هایی که از مراحل رشد و انقباض قابل توجهی عبور می کنند حرکت کنند ، ما نشان داده ایم که Crypto Net موفق به عملکرد خوب می شود. انتخاب داده هایی که NET Crypto در آن آموزش داده شده و مورد آزمایش قرار گرفته است ، ناشی از اخلاق نوسانات رمزنگاری است. به طور کلی ، هرچه بازه زمانی بالاتر باشد ، چرخه ها و روند مشهود تر است. بنابراین ، سیگنال قیمت "قابل پیش بینی" تر می شود. به همین دلیل ، ما یک بازه زمانی هفتگی را برای کاهش سر و صدای ناشی از اوج های محلی و پایین ناشی از نوسانات بازار انتخاب کرده ایم.

مقاله به شرح زیر سازماندهی شده است: کار مرتبط در بخش 2 شرح داده خواهد شد. بخش 3 روشهای مورد استفاده برای پیش بینی را توصیف می کند. بخش 4 معماری سیستم را ارائه می دهد در حالی که بخش 5 به ترتیب آزمایش ها و نتیجه تجربی را توصیف می کند و یک مثال مورد استفاده است. کار و نتیجه گیری آینده در بخش 6 ارائه شده است.

2. کار مرتبط

تعداد کمی از آثار مربوطه در طول 20 سال گذشته در مورد استفاده از یادگیری ماشین در پیش بینی بازارهای مالی منتشر شده است. در سال 1990 ، شونبرگ و همکاران. در [11] اولین مطالعات را با استفاده از داده های بازار سهام آلمان به طور تصادفی انتخاب شده به عنوان یک روش یادگیری ماشین برای معماری پیش بینی خود انجام داد ، که متأسفانه آنها به دلیل محدودیت هایی که بوجود آمده ، نتوانستند بهترین نتیجه را کسب کنند. پارامتر سازیدر سالهای بعد ، بسیاری دیگر سعی کردند با تطبیق داده ها و الگوریتم ها با هدف خود ، این کار را برطرف کنند. پاتل و همکاران.[12] برای پیش بینی جهت حرکت سهام و شاخص قیمت بازارهای سهام هند ، یک نمای کلی با مقایسه مدل های یادگیری ماشین کلاسیک مانند خلیج های ساده لوح و ماشین های بردار پشتیبانی و مدل های پیشرفته تر مانند شبکه عصبی پیشنهاد کرده است. مدل مرجع [13] سری زمانی یکپارچه با استفاده از مدل ARX (autoregressive با ورودی های اگزوژن). بنابراین ، با ترکیب عوامل خارج از مدل ، آنها نتایج خوبی به دست می آورند. تا آن زمان ، بازنمایی داده های ورودی از پارامترهای فنی داده های معاملاتی سهام (افتتاح ، قیمت بالا ، پایین و بسته شدن) و بازنمایی این پارامترهای فنی به عنوان داده های روند تعیین کننده بدست آمده است. با این حال ، کار پاتل و همکاران.[12] محدودیت هایی دارد. نویسندگان اذعان می کنند که با گسسته کردن داده های مداوم از حرکات شاخص ، نیاز به پیش بینی سری زمانی وجود دارد. مدتی بعد ، خیدم و همکاران.[4] استدلال كرد كه نوسانات ذاتی بورس سهام باعث می شود كه وظیفه پیش بینی به چالش كشیده شود. در این راستا ، آنها پیشنهاد کردند که با استفاده از یک مدل جنگل تصادفی ، از برخی از شاخص های فنی مشتق شده مانند شاخص قدرت نسبی (RSI) و نوسان ساز تصادفی استفاده کنند. خیدم و همکاران.[4] برجسته می کند که چگونه ماهیت مسئله غیر خطی است ، و اگرچه مدل پیشنهادی نتایج گسسته ای را بدست می آورد ، اما آنها فناوری هایی مانند یادگیری عمیق را به عنوان راه حل مشکلات خود می بینند. یکی از پیشرفته ترین مدل های طبقه بندی که اخیراً توسعه یافته و برای پیش بینی سهام بازار مالی اعمال شده است توسط کوسوما و همکاران ارائه شده است.[5]آنها شبکه های عصبی مصنوعی پیچیده عمیق پیچیده را برای تشخیص الگوهای اخیر در داده ها برای پیش بینی تکامل کوتاه مدت قیمت سهام چند شرکت اندونزیایی ایجاد کردند. علاوه بر نوآوری فن آوری ناشی از مدل عصبی مورد استفاده ،

ماهیت ورودی نیز تغییر می کند زیرا این مجموعه از داده های تصویر مرتبط با مالی به عنوان اطلاعات (الگوهای شمعدانی) است و پویایی آینده سیگنال های قیمت را در یک دوره معین فراهم می کند و به نتایج خوبی می رسد. سایر مدل های شبکه عصبی که با همان هدف اعمال می شوند اما با یک رویکرد رگرسیون می توان در [14،15،16] یافت. تمام محققان فوق از مزایای معماری ذاتی غیرخطی شبکه های عصبی چند لایه برای رگرسیون مجموعه داده های مالی برای ایجاد جایگزین های معتبر برای برخی از مدل های اصلی استفاده می کنند. این اعتماد توسط مدل های غیر استاندارد مانند شبکه های عصبی مصنوعی و بردار دستگاه ، که به نظر می رسد داده های واقعی را با نتایج عالی از نظر صحت بهبود می بخشد ، پاداش می گیرد. با وجود قدرت و کارآیی آنها ، این رویکردها بر صحت پیش بینی قیمت کوتاه/میان مدت متمرکز است. مجموعه ای از آثار موازی مجموعه ای از شاخص ها را نسبت به احساسات به داده های عددی اضافه می کند. بهرا و همکاران.[17] مدلی را پیشنهاد می کند که می تواند سری زمانی را با استفاده از داده های ناهمگن از سیستم عامل های آنلاین ، یعنی رسانه های اجتماعی و سری زمانی تخمین بزند. در مقابل ، Abayomi-Alli و همکاران.[18] مدلی را برای تقویت داده ها در زمینه های بحرانی ارائه می دهد ، به ویژه هنگامی که الگوهای مالی هنوز ناشناخته هستند و هیچ سری طولانی برای تجزیه و تحلیل وجود ندارد.

Crypto NET با هدف استفاده از تکنیک های یادگیری ماشین با توسعه یک شبکه عصبی چند لایه انعطاف پذیر خودکار که محدود به استخراج روند کوتاه مدت نیست بلکه بر استخراج روند در یک دوره زمانی گسسته است.

طبق [19] ، هدف این نیست که پیش بینی های دقیق قیمت نقطه را تولید کنیم ، زیرا آنها در تجارت مالی بسیار مفید نیستند. نکته مهمتر این است که پیش بینی حرکات طولانی و پایدار به سمت بالا یا رو به پایین ، صرف نظر از بازه زمانی ، برای استفاده بیشتر از برآمدگی های قیمت و سقوط.

علاوه بر این ، پیچیدگی دلسرد کننده برخی از تکنیک های یادگیری ماشین ، معامله گران را ترغیب می کند تا استفاده از خطوط کلاسیک ، پشتیبانی و ساختارهای مقاومت (پایه عمل قیمت) را ترجیح دهند که انواع اختیاری مدل رگرسیون خطی مشهور هستند. سادگی ، اجرای پر سرعت و ماهیت محاسباتی کم هزینه مدل رگرسیون خطی ، آن را به یکی از با ارزش ترین ابزارهای برای استخراج روند در سری زمانی تبدیل کرده است. بنابراین تلاش اعتبارسنجی ما در نشان دادن اینكه یادگیری ماشین فقط نمی تواند در هنگام استخراج روند ، قدرت و انعطاف پذیری این مدل اصلی را تکرار كند ، اما همچنین توانایی مناسب بودن داده های آن را بهبود بخشد ، و این باعث می شود كه آن را معتبر و دلسرد كننده برای تجارت مالی باشد.

3. روشهای مورد استفاده برای پیش بینی

قبل از معرفی Crypto Net برخی از روشهای پیش بینی موجود در پیش بینی قیمت سهام ذکر شده است. با شروع از روشهای کلاسیک ، تجزیه و تحلیل فنی ، از طریق پیش بینی سری زمانی به Crypto Net.

3. 1تجزیه و تحلیل فنی

تجزیه و تحلیل فنی (TA) شامل قوانین و شاخص های کاملاً تعریف شده است. شاخص ها و قوانین متعهد به شناسایی و توضیح منظم بودن پویایی قیمت تاریخی هستند. روش میانگین متحرک (MA) یکی از روشهای بسیار پرکاربرد TA است. این روش قیمت بازار یا شاخص را با MA طولانی مقایسه می کند. روش MA قابل استفاده و استفاده در تصمیم گیری سرمایه گذاری آسان است ، اما می تواند خطاهای ارزش پیش بینی قابل توجهی ایجاد کند [1]. TA در هنگام تجارت در بورس برای تصمیم گیری های "خرید" و "فروش" استفاده می شود. متخصصان فنی معتقدند که یک مطالعه دقیق در مورد نمودارهای قیمت سهام و نمودارها ، الگوهای منظم و مکرر رفتار قیمت را نشان می دهد ، که احتمالاً در آینده تکرار می شوند. در حقیقت ، این نوع معامله گر سهام تمام داده های اساسی مانند فروش ، درآمد ، سود ، سود سهام ، چشم انداز تجارت و غیره را نادیده می گیرد. معامله گرانی که از T a-untooduoushoughoutuess استفاده می کنند ، استدلال می کنند که این عوامل قبلاً توسط بازار مورد توجه قرار گرفته اند و کاملاً منعکس شده اند. در قیمت فعلی بازار یک سهام ؛این روش برای دلالان و معامله گران سهام کوتاه مدت مناسب است.

3. 2تجزیه و تحلیل اساسی

در طرف دیگر حصار ، تجزیه و تحلیل اساسی است. تجزیه و تحلیل اساسی ، همانطور که در بخش 2 بیان شده است ، نوعی تجزیه و تحلیل برای تصمیم گیری در مورد سرمایه گذاری است. معامله گران در این سایت به عنوان بنیادی گرایان ، که سرمایه گذار بلند مدت هستند ، نامیده می شوند. این متخصصان با هدف برآورد ارزش ذاتی سهام یک شرکت با مطالعه فروش ، درآمد ، سود ، سود سهام ، صلاحیت مدیریت و انواع دیگر عوامل اقتصادی که بر سودآوری شرکت و چشم انداز کسب و کار تأثیر می گذارد ، تخمین می زنند. پس از انجام این مطالعه ، قیمت سهام یک شرکت خاص بیان شده است ، و این قیمت ارزش ذاتی یا واقعی سهام در نظر گرفته می شود ، زیرا این نشان دهنده ارزش ذاتی است. تحلیلگران با کمک قاضی قیمت ذاتی که آیا سهام در حال حاضر در بازار سهام بیش از حد ارزش گذاری شده یا کم ارزش است.

3. 3پیش بینی سری زمانی

به نظر می رسد دو نظریه تفکر تحلیلگر تمام روشهای ممکن را برای تجزیه و تحلیل حرکات سهام تعریف کرده است. در سالهای اخیر ، پردازش داده ها در بسیاری از برنامه ها اساسی شده است. پیش بینی سری زمانی با تجزیه و تحلیل داده های سری زمانی و تلاش های اطلاعاتی برای پیش بینی آینده نزدیک بر اساس داده های گذشته. بنابراین ، چندین تکنیک تجزیه و تحلیل سری زمانی بوجود آمده است ، مانند میانگین اتمام در حال حرکت مخلوط (ARMA) [20] و مدل های رگرسیون چندگانه [21]. پیش بینی سری زمانی ، مانند اکثر مدلهای داده محور ، روند داده های گذشته را برای پیش بینی داده های آینده پیدا می کند. در نتیجه ، مانند همه مدل های داده محور ، هرچه داده های گذشته بیشتر باشد ، یافتن یک الگوی آسان تر است. با این حال ، اگر تاریخچه عمل کوتاه باشد ، تجزیه و تحلیل دقیق و پیش بینی برای چنین داده های پراکنده گذشته پیچیده است. بنابراین ، شبکه های عصبی به عنوان ابزاری امیدوار کننده برای استفاده در این سناریو توصیف می شوند.

3. 4یادگیری ماشین در بورس

اگرچه به نظر می رسد سریال های زمانی سناریوی را در برنامه های MOTE گرفته است ، اما یادگیری ماشین همراه با عادات انسانی تفاوت ایجاد می کند. به طور خاص ، وقتی صحبت از تجارت مالی می شود ، یک بازه زمانی ممکن است بهتر از دیگری کار کند ، به این معنی که ممکن است یک معامله گر نتایج بهتری را با یک بازه زمانی ساعتی کار کند. در عین حال ، دیگری ممکن است با پیروی از دینامیک قیمت هفتگی (یا ماهانه) یک رویکرد آرام تر را ترجیح دهد. این بستگی به نگرش و ترجیحات شخصی و مدل اتخاذ شده دارد. مدل های رگرسیون این مزیت را دارند که تا حدودی در انتخاب بازه زمانی خنثی باشند. با این حال ، وقتی صحبت از تجزیه و تحلیل مالی می شود ، آنها در استخراج روند عملکرد بهتری دارند وقتی که بازه زمانی بالاتر از حد معمول (روزانه ، هفتگی ، ماهانه) باشد.

3. 5شبکه های عصبی در بورس سهام

زمینه وسیع یادگیری ماشینی مدل های مختلفی را نشان می دهد که هر کدام دارای ویژگی های خود هستند. در زمینه سرمایه گذاری در بورس سهام ، به دلیل بی احتیاطی و نوسانات آن ، ریسک بالایی وجود دارد. در نتیجه ، پیش بینی رفتار قیمت سهام به دلیل رفتار غیرخطی و پیچیده آنها بسیار دشوار است. کاربرد اصلی شبکه های عصبی مصنوعی در مناطقی است که مسائل مشخص نیست ، داده ها ناقص یا پر سر و صدا هستند و خود محیط پویا است. از آنجا که شبکه های عصبی می توانند با داده های پر سر و صدا سازگار شوند و یک رابطه ورودی و خروجی داده های غیرخطی برقرار کنند ، پیش بینی رفتار قیمت سهام امکان پذیر است. بعداً خواهیم دید که چگونه این مدل ها می توانند نتایج معقول تولید کنند.

3. 6خالص رمزنگاری

ما Crypto Net را پیشنهاد می کنیم ، این چارچوب از یک شبکه عصبی مصنوعی چند لایه خود استفاده می کند (این کد در https://github.com/leonardranaldi/cryptonet موجود است ، که در 10 سپتامبر 2022 قابل دسترسی است). آموزش این نوع مدل نیاز به انتخاب یک مجموعه داده خاص دارد که می تواند بر عملکرد مدل و اثربخشی کاربرد آن تأثیر بگذارد. همانطور که در بخش 2 معرفی شده است ، برخی از الگوهای به جای بازه های زمانی بسته به اهداف نهایی ، عادات معاملاتی و سایر عوامل ممکن است بهتر عمل کنند. Crypto Net یک مدل یادگیری دستگاه الاستیک و عملکردی است که از طریق بازیابی داده ها (Crypto NE T-1) ، پیش پردازش (Crypto NE T-2) و آموزش و پیش بینی (Crypto Ne t-3) از کاربر پیروی می کند.

4. معماری

در این بخش Net Crypto ما (بخش 4. 2) در طول سیستم آن (بخش 4. 3) معرفی شده است. Crypto Net مدل ما یک شبکه عصبی سبک و مدولار است. استفاده از آن با ETH و BTC پیشنهاد شده است اما می تواند با نیازهای هر altcoin دیگر سازگار باشد. برخی از مفاهیم اولیه در مورد مدل مورد استفاده در بخش 4. 1 آورده شده است.

4. 1مدل خودجوش

در یک مدل خودکار ، هدف پیش بینی متغیر علاقه با استفاده از ترکیبی خطی از مقادیر گذشته متغیر "خود" در رگرسیون خودکار (AR) است ، که نشان می دهد متغیر در برابر خود رکود می شود [22]. AR شبیه به رگرسیون چندگانه است اما با مقادیر عقب مانده از سری زمانی به عنوان پیش بینی کننده. ما از این به عنوان یک مدل r (n) یاد می کنیم ، یک مدل خودکار تگرگ از سفارش n می تواند به صورت: نوشته شود:

جایی که y t - 1 ،… ، y t - n اصطلاحات n برای پیش بینی y t و b استفاده می شود. وزنهای W ، که توسط آن هر یک از N تاخیر در من ضرب می شود ، به عنوان مواد مخدر AR نیز گفته می شود.

4. 2شبکه عصبی مدل بازپرداخت خودکار

ما از مدل مبتنی بر شبکه Ar-Neural (ARNN) استفاده می کنیم ، که روند سنتی AR را با یک شبکه عصبی تقلید می کند.

خیلی دور از AR اصلی نیست زیرا به گونه ای طراحی شده است که پارامترهای لایه اول آن معادل ضرایب AR باشد.

ARNN که ما توسعه دادیم یک شبکه عصبی مصنوعی چند لایه ساده است که در یک شبیه ساز بسیار بصری و تعاملی کدگذاری شده در Perl اجرا شده است. ARNN می تواند به صورت اختیاری با لایه های پنهان برای دستیابی به دقت پیش بینی بیشتر گسترش یابد.

به منظور قرار دادن مدل ARNN با همان هدف که کلاسیک-AR توسط حداقل مربعات بهینه شده است ، اصطلاح از دست دادن میانگین خطای مربع (MSE) است:

4. 3پیکربندی سیستم

Crypto Net بسیار کاربر پسند است و امکان تغییر مؤلفه های شبکه عصبی را همانطور که کاربر انتخاب می کند ، ارائه می دهد. در بخش های بعدی ، ویژگی های اساسی ذکر شده و شرح داده شده است.

4. 3. 1. نورونها را تولید می کند

تعداد نورونهای خروجی را می توان از طریق خط فرمان در ابتدای شبیه سازی انتخاب کرد. هر نورون خروجی پیش بینی سری زمانی را ارائه می دهد. این نرم افزار مقدار متوسط سلولهای عصبی N را که توسط کاربر انتخاب شده است ، تولید می کند. در واقع ، از دیدگاه بسیار معماری ، مدل عصبی می تواند همپوشانی شبکه های عصبی چند لایه N در نظر گرفته شود.

4. 3. 2. نورونهای پنهان

تعداد نورونهای پنهان تأثیر قابل توجهی در نتایج نهایی دارد ، اما هیچ قانون ثابت در این رابطه وجود ندارد [23]. با توجه به اینکه یک لایه واحد برای تقریبی هرگونه عملکرد نقشه برداری از متغیرهای ورودی به تعداد محدودی از متغیرهای خروجی کافی است ، ماهیت تصادفی مشکل (که ما را مجبور به انتخاب تعداد دلخواه نورونهای خروجی می کند) ما را به سمت چند نفر سوق داد. نورونهای پنهان که دو برابر تعداد ورودی ها است (تعصب محروم). تعداد نورونهای پنهان نمی تواند بسیار زیاد باشد زیرا در مرحله آموزش بالاتر از هزینه های محاسباتی افزایش می یابد. از جمله تعداد بیش از حد نورونهای پنهان می تواند منجر به بیش از حد شود ، یعنی وقتی یک مدل بیش از حد به مقادیر واقعی سیگنال چسبیده است تا نتواند روند خود را استخراج کند ، که هدف مدل ماست.

4. 3. 3. نورونهای ورودی

تعداد نورونهای ورودی تعداد مقادیر تاخیر سری زمانی است که می خواهیم تجزیه و تحلیل کنیم. انتخاب حتی اختیاری تر از انتخاب تعداد صحیح نورونهای پنهان است و مبتنی بر نگرش تجارت شخصی و پویایی ذاتی سری های زمانی است. از دیدگاه معاملاتی ، سری زمانی قیمت های هفتگی BTC و ETH ، از تجربه قبلی ، یک روند روشن (صعودی یا رو به پایین) را با در نظر گرفتن در بیشتر مقادیر ناچیز پنج برابر نشان می دهد. بنابراین ، ما تصمیم می گیریم که پنج نورون ورودی (تعصب محروم) را در بر بگیریم. در پایان ، تجربه و تجزیه و تحلیل اختیاری انجام شده در هر سری زمانی برای انتخاب معماری خالص مهم است و باید در مراحل اولیه تحقیق انجام شود.

4. 3. 4. جانبداری

این نرم افزار به کاربر اجازه می دهد تا تعداد پیش بینی های ایجاد شده توسط مدل را انتخاب کند. پیش بینی ها به شدت تحت تأثیر ارزش وزن سیناپسی تخمین زده شده در مرحله آموزش ، از جمله تعصب قرار دارند. با این حال ، هیچ راهنمایی روشنی در ادبیات در مورد بهترین راه برای درمان آنها هنگام تولید روند در چندین دوره در آینده وجود ندارد. در حالی که [22] پیشنهاد می کند که آن را به عنوان یک سر و صدای سفید خالص درمان کند ، الگوریتم های الگوریتم Delta-Rule آن را به عنوان یک متغیر تعیین کننده صرف با وزن مناسب خود می بینند. مشکل روش اول این است که این مدل می تواند در استخراج روندهای آینده شکست بخورد ، زیرا مسیر تصادفی است. از طرف دیگر ، اگر ماهیت هرج و مرج سیگنال های مالی را نادیده بگیریم ، می توانیم مشکل مخالف را تجربه کنیم: مسیر هیچ تصادفی را نشان نمی دهد ، که غیر واقعی است. برای تعادل دو جنبه بالاتر از پیش بینی سری زمانی ، ما یک نیمهتعصب قطعی ، شناور در اطراف مقدار وزن تخمین زده شده توسط الگوریتم Delta-Rule. هدف این بود که یک عنصر تصادفی را به یک مدل صرفاً قطعی معرفی کنیم تا هنگام پیش بینی سری زمانی مالی ، آن را واقع بینانه تر کنیم.

5- آزمایشات

هدف ما این است که بررسی کنیم که آیا Crypto Net می تواند برای ایجاد معماری شبکه عصبی در جایی که پیش بینی مفید است استفاده شود: (1) پیش بینی های سری زمانی را در داده های غیرخطی بهبود بخشید ، و (2) امکان مدل سازی مدل او را به کاربر می دهدبشربقیه بخش شکاف زمانی را که داده ها از آن آمده اند و دلایل انتخاب ، مجموعه آزمایشی ، نتایج تجربی کمی از Crypto Net را توصیف می کند و در مورد چگونگی استفاده از شبکه رمزنگاری می تواند برای پیش بینی سری های زمانی توسط شبکه های عصبی استفاده شود. مثال ها.

5. 1مجموعه داده

در شکل 1 ، می توانیم Crypto NE T-1 و Crypto NE T-2 را مشاهده کنیم که در آن از ARNN برای تهیه و پیش پردازش استفاده می شود. در این کار ، ما تصمیم گرفتیم که با ارزهای رمزپایه کار کنیم. دلیل اینکه ما را به کار روی ارزهای رمزنگاری سوق داد ، رفتار صریح چرخه ای است که توسط BTC و ETH در طول دوره نشان داده می شود ، که می تواند به شدت بر مدلهای پیش بینی کلاسیک تأکید کند. در عین حال ، ما می خواستیم با اجازه دادن به مدل ، غیرخطی های ذاتی را بیاموزیم ، از رویکرد اکتشافی مناسب برای یادگیری ماشین استفاده کنیم. همانطور که در شکل 2 مشاهده می شود ، ما مدل توسعه یافته را بیش از یک نمونه از 172 قیمت هفتگی آموزش داده و آزمایش کردیم ، جایی که بدیهی است که اولین تلاش حباب سوداگرانه در اواسط سال 2018 و 2020 رخ داده است. در جدول 1 ، ما آموزش و آموزش را گزارش کردیمدوره های آزمایش BTC و ETH. دلیل این امر این است که BTC ، به عنوان رهبر بخش رمزنگاری ، خود را به عنوان مولد روند برای سکه های جایگزین دیگر تحمیل می کند. از آنجا که بازار رمزنگاری حتی به مرحله بلوغ خود نزدیک نیست ، همبستگی بین BTC و هر altcoin موفق هنوز هم بسیار بالا و مثبت است. در این راستا ، ETH استثنائی ایجاد نمی کند ، حتی اگر گاهی اوقات به دلیل چارچوب فناوری و موارد استفاده ، پویایی های مختلفی را نشان می دهد ، که از نظر قابل ملاحظه ای با موارد ارائه شده توسط BTC متفاوت است.

قبل از انجام مرحله تمرین ، قیمت ها به منظور سرعت بخشیدن به روند بازگشت به عقب ، مقیاس بندی شدند. ما از مقیاس "حداکثر مقدار مطلق" استفاده کرده ایم. مجموعه آزمایش توسط 20 ٪ باقیمانده از مجموعه داده های اصلی تشکیل شده است ، که شامل حباب رمزنگاری در حال انجام است که از مارس 2020 تجربه کرده ایم. هدف این بود که مدل عصبی را در دوره ای آموزش دهیم که پویایی در حال گسترش و پیمانکاری به طور کامل تکمیل شودتعیین کنید که آیا این مدل می تواند مرحله گسترش زیر را پیش بینی کند (استخراج روند).

به همین دلیل است که ما تجزیه و تحلیل خود را در یک بازه زمانی هفتگی (قیمت های بسته) با انتخاب رگرسیون بیت کوین (BTC) و اتر (ETH) در مورد آنچه که ما دوره قابل توجهی از تکامل آنها را از سال 2007 تا 2020 می دانیم متمرکز کردیم.

5. 2. الگوریتم یادگیری

در شکل 1 ، ما می توانیم Crypto NE T-3 را مشاهده کنیم ، جایی که از ARNN برای ارائه پیش بینی در مورد حرکات آینده استفاده می شود.

قبل از شروع فرآیند یادگیری ، وزنه ها به صورت تصادفی با یک ژنراتور هماهنگ خطی تنظیم می شوند. مقادیر سری زمانی ، همانطور که قبلاً ذکر شد ، برای سرعت بخشیدن به فرایند یادگیری از طریق یک مقیاس ارزش سری زمانی منتقل می شوند. فرایند یادگیری برای 80 ٪ از کل مجموعه داده ها اعمال می شود. فرآیند خوراک مبتنی بر یک عملکرد سیگموئید غیرخطی است که تولید نهایی نورون های پنهان و خروجی را تولید می کند. از این پس ، قانون دلتا برای انتشار خطا از لایه خروجی به حالت پنهان اعمال می شود و وزن ها بر این اساس به روز می شوند. این روند تا زمانی که خطای متوسط کلی هر نمونه به حداقل برسد (آموزش آنلاین) ادامه می یابد. ما رویکرد آموزش آنلاین را به جای یک دسته یکی انتخاب می کنیم زیرا از نظر محاسباتی ارزان تر است ، در حالی که عملکرد کلی تقریباً یکسان است. علاوه بر این ، بر اساس یک تکنیک یادگیری تحت نظارت آنلاین ، استفاده از خالص تکراری به عنوان یک مدل پیروان روند به جای یک استخراج کننده روند ، ساده تر است ، حتی اگر این امر در تجارت مالی به دلایلی که در پاراگراف های قبلی ذکر شده است توصیه نمی شود. پس از اتمام آموزش ، شبکه روی 20 ٪ باقی مانده از مجموعه داده ها آزمایش می شود. متریک مورد استفاده ما ، مرجع متوسط است که هر زمان که سری های زمانی زیادی داشته باشند مفید است و تحت تأثیر سر و صدای تصادفی قرار می گیرد. این فرمول MAE است:

علاوه بر این ، در نزدیکی MAE ما از میانگین خطای درصد مطلق (MAPE) استفاده می کنیم ، همچنین به عنوان میانگین انحراف درصد مطلق شناخته می شود ، که اندازه گیری دقت پیش بینی یک روش پیش بینی در آمار است. این معمولاً دقت را به عنوان نسبت تعریف شده توسط فرمول بیان می کند:

5. 3. معماری شبیه ساز

شبیه ساز ما توسعه داده و "پیش بینی کننده" نامگذاری شده است ، در Perl کدگذاری شده است. ما به آن یک ساختار مدولار و به راحتی قابل ارتقا با چند کلاس و یک روال "اصلی" جمع و جور در پرونده های جداگانه دادیم. از کاربر خواسته می شود تعداد نورون های خروجی را که مطابق با تعداد سناریوهای تولید شده توسط شبیه ساز تصادفی ، شناسه سری زمانی ، مخفف رمزنگاری و تعداد دوره های آینده است که باید تولید کند ، وارد کند.

5. 4. تنظیمات پیشنهادی

به منظور شبیه سازی مدل خود ، ما سه تنظیم اساسی را پیشنهاد کردیم. اولین پیکربندی ، An S M A L L ، ARNN با 3 نورون ورودی ، 3 لایه و 3 نورون خروجی است. ARNN دوم ، مشخص شده توسط An B A S E ، به عنوان 5 نورون ورودی ، 5 لایه و 5 نورون خروجی تشکیل شده است. سرانجام ، پیکربندی سوم ، an l a r g e ، یک ARNN با 10 نورون ورودی ، 10 لایه و 10 نورون خروجی است. در تمام تنظیمات پیشنهادی ، ما تعداد نورون ها را در هر لایه پنهان ثابت نگه داشتیم. به عنوان مثال ، لایه پنهان دارای سه نورون در پیکربندی کوچک است. در پیکربندی اساسی ، لایه های داخلی دارای پنج نورون و غیره هستند. به یاد بیاورید که تعداد نورون های ورودی همزمان با آخرین نقل قول ها است. در نتیجه ، اگر تعداد 3 باشد ، سه نقل قول آخر در نظر گرفته می شود. پارامترهای خاص دیگر در جدول 1 ذکر شده است.

6. نتایج و بحث های تجربی

در این بخش ، ما برخی از آزمایشات انجام شده در ARNN را برای هر دو بیت کوین و اتر در دوره ای که از 3 ژوئیه 2017 تا 10 فوریه 2020 انجام می شود ، نشان خواهیم داد (منبع https://tradingview.com در تاریخ 1 مارس 2020).

اگر شکل 3 را مشاهده کنیم ، ساختار چرخه ای بیت کوین و دینامیک اتر مشهود است. حباب سوداگرانه 2017 در پایان همان سال ترکیده است. پس از یک حرکت نزولی بزرگ در طول سال 2018 ، این سیگنال با شروع تظاهرات مداوم خود در مارس 2020 ، اولین دست انداز را در اوایل سال 2019 ایجاد کرد.) ، ما ARNN را در یک مجموعه داده دوره قبلی آموزش داده و آزمایش کردیم. سپس ، ما از وزن سیناپسی برای تولید شبیه سازی روندهای آینده استفاده کردیم.

به طور خاص ، ما با میانگین آنها برای بیت کوین و اتر ، 1000 شبیه سازی از پویایی قیمت آینده ایجاد می کنیم.

نوسانات بسیار بالا خطرات باز کردن موقعیت های طولانی یا کوتاه در بازار رمزنگاری را نشان می دهد. این را می توان با مقایسه تفاوت گسترده در ارزش بین حداکثر و حداقل قیمت ثبت شده برای هر ارز در یک دوره نسبتاً کوتاه ذکر کرد (جدول بالا را ببینید). به همین دلیل ، یک مدل استخراج کننده روند (به جای روند زیر) ارجح است ، زیرا سر و صدای ذاتی سری زمانی مالی را از بین می برد و همچنین می تواند ابزاری استراتژیک برای باز کردن موقعیت های طولانی یا کوتاه در بازار باشد. در همین راستا ، یک قاعده اساسی تجارت مالی این است که مکانهایی را به طور خاص نزدیک نزدیک کنید. بنابراین ، ما با میانگین آنها برای بیت کوین و اتر ، 1000 شبیه سازی از پویایی قیمت آینده ایجاد می کنیم.

آمار اصلی و پارامترهای شبیه سازی در جدول تا حد امکان به مناطق عمومی با ارزش گزارش شده است ، که محدوده قیمت است که در آن بیشتر حجم معاملات در روز معاملات قبلی انجام شده است. مقادیر مورد انتظار تولید شده توسط مدلهای آماری می تواند مناطقی را که برای تدوین استراتژی های مالی استفاده می شود ، نشان دهد. برای اینکه به وضوح بفهمیم سیگنال های قیمت در ده هفته آینده چه کاری انجام می دهند ، از ژوئن 2020 ، ما میانگین مقادیر آنها را در کل مجموعه داده ها گزارش کردیم. همانطور که گفته شد ، این مقادیر باید در دراز مدت به عنوان یک جذب کننده قیمت مشاهده شوند تا معامله گران بتوانند بر این اساس استراتژی ها را تدوین کنند. علاوه بر این ، آنها می توانند با مقایسه آنچه از ARNN با قیمت های واقعی بیرون می آید ، موقعیت های طولانی یا کوتاه را تنظیم کنند.

6. 1. مثال استفاده

روند بیت کوین و اتر که توسط ARNN در بخش قبلی ایجاد شده است به سمت بالا است و این نشانگر یک حرکت صعودی احتمالی در هفته های آینده است (سپس با حرکت پارابولیک در حال انجام تأیید می شود). این می تواند بدان معنی باشد که یک معامله گر باید موقعیت های طولانی را در بیت کوین و اتر باز کند. صحبت از بیت کوین ، جاذبه پویا بالاتر از قیمت متوسط است که نشان دهنده حرکت صعودی جامد در طول دوره است. در مقابل ، جاذبه پویا اتر از حد متوسط پایین تر است که یک سیگنال صعودی ضعیف است. این ممکن است به این دلیل باشد که تمام سرمایه گذاران سکه های جایگزین ، به دلیل همبستگی مثبت بین آنها و بیشترین سرمایه گذاری در جهان ، همیشه منتظر حرکت های بزرگ بیت کوین قبل از تصمیم گیری در مورد سرمایه گذاری هستند. سرانجام ، تأکید بر این مهم است که قبل از هرگونه موقعیت طولانی یا کوتاه در مورد هر دارایی مالی ، نتایج مدل همیشه باید با عملکرد واقعی قیمت وزن شود. به عنوان مثال ، فرض کنید قیمت ها به طور قابل توجهی بالاتر از افزایش جاذبه پویا هستند. در این حالت ، یک معامله گر عمومی باید منتظر بماند تا قبل از ورود به موقعیت گسترده برای خرید با قیمت های پایین تر به آن بازگردد. برعکس ، وضعیتی که قیمت ها بسیار پایین تر از یک جاذبه پویا صعودی هستند ، باید فرصتی مناسب برای "خرید پایین فروش بالا" را نشان دهد اگر اقدام قیمت برخی از نقاط ورود خوب را نشان دهد. مدل رگرسیون خطی ساده شاید گسترده ترین ترندر روند در جهان باشد که در سطوح مختلف تقریباً در تمام زمینه های عمل انسان ، از علم (خالص و کاربردی) تا امور مالی اعمال می شود. صحبت از معاملات مالی ، این مدل می تواند به سرعت روند مداوم قیمت بسیاری از دارایی ها را نشان دهد. مسلماً ، این پیشرفته ترین و پیچیده ترین مدل نیست که می توانستیم برای مرحله اعتبار سنجی انتخاب کنیم. با این وجود ، این سریعترین ، انعطاف پذیر ترین و به راحتی قابل استفاده است که می توانیم در این بخش با آن روبرو شویم. این دستگاه توسط اکثر معامله گران در سراسر جهان و سایر تکنیک های تلفیقی مناسب برای عمل قیمت استفاده می شود. موفقیت چنین مدل ریاضی ساده به دلیل نسبت سودمند بین اثربخشی آن در استخراج در روند و هزینه کم زمان هنگام استفاده یا کدگذاری آن برای تجزیه و تحلیل آماری است. هدف از اعتبار سنجی ARNN ما در برابر مدل رگرسیون ساده این است که نشان دهیم که کاربرد یک تکنیک یادگیری ماشین واضح و به خوبی تصور می شود ، که معمولاً افراد را به دلیل ماهیت اکتشافی خود می ترساند ، بدون آنکه از عملکرد خودداری کند.

پارامترهای ARNN برآورد شده در طول مرحله آموزش که در بخش قبل توضیح داده شد، در اینجا برای محاسبه MAE در مجموعه آزمایشی، شامل 35 دوره (20 درصد از کل مجموعه داده) استفاده می شود. مدل رگرسیون ساده با استفاده از روش حداقل مربعات بر روی 80 درصد کل مجموعه داده برآورد شد، همان روشی که برای تخمین وزن ARNN ها استفاده شد. سپس MAE بر روی مجموعه داده باقیمانده محاسبه شد.

همانطور که در جدول 2 نشان داده شده است، ARNN b as e از مدل رگرسیون خطی ساده در هر دو سری زمانی بیت کوین و اتر با حداکثر بهبود عملکرد 31 درصد در دوره مورد نظر بهتر عمل می کند. بزرگ و کوچک، اگرچه بسیار نزدیک به پایه به نظر می رسند، اما همانطور که در جدول 2 می بینیم، به نتایج بهینه دست نمی یابند. در نهایت، این نتایج با متریک MAPE نیز یافت می شوند که نشان می دهد شبکه پایه پیشنهادی به نتایج بهتری دست می یابد. با خطاهای جزئی تر

6. 2. محدودیت ها

CryptoNet یک چارچوب منبع باز است که با هدف نهایی توانمندسازی خرده‌فروشی برای استفاده از نرم‌افزار برای تجزیه و تحلیل داده‌های زمانی و پیش‌بینی روند بعدی ساخته شده است. مدل‌های پیشنهادی جدید می‌توانند سوگیری‌های مهمی مانند نوسانات ارزهای دیجیتال را در نظر بگیرند. اگرچه به نظر می‌رسد این مدل‌های پیشنهادی جدید به خوبی کار می‌کنند، اما تضمینی برای کارکرد دائمی آن‌ها وجود ندارد، بنابراین ابزار مطمئنی برای کسب درآمد نیستند.

7. نتیجه گیری و کار آینده

در این مطالعه ، ما Crypto Net ، یک شبیه ساز شبکه عصبی مصنوعی چند لایه خودکار را برای استخراج روند از سری زمانی مالی ایجاد کردیم. شبکه رمزنگاری شده در یک دوره قابل توجه در مورد بیت کوین و اتر اعمال شده است تا مشاهده کند که چگونه یک معامله گر مالی می تواند از آن برای تدوین استراتژی های سرمایه گذاری استفاده کند. ARNN در مجموعه داده های مختلف (و از نظر آماری مرتبط) آموزش دیده و آزمایش شده است. به عنوان مثال ، بیت کوین و اتر گاو در حال انجام به درستی توسط شبکه Crypto آموزش دیده پیش بینی شده است. سرانجام ، ما شبکه رمزنگاری را در برابر گسترده ترین مدل استخراج کننده روند تأیید کردیم: رگرسیون خطی ساده. شبکه Crypto عملکرد مدل را تا 31 ٪ MAE بهبود بخشیده است بدون اینکه از سادگی و راحتی کاربردی خودداری کند. نتایج نشان می دهد که چگونه یک نرم افزار یادگیری ماشین به سادگی تعاملی ، که به راحتی در هر زمینه ای از دانش بشری قابل استفاده است ، می تواند با بهبود عملکرد آن جایگزین ترین مدل رگرسیون در جهان شود. برای کارهای آینده ، ما می خواهیم این رویکرد را به سایر زمینه های علمی که هنوز تمایلی به اتخاذ آن ندارند ، گسترش دهیم. ما همچنین می خواهیم انسان را قادر به درج قوانین خاص در شبکه عصبی برای کنترل رفتار آن کنیم ، همانطور که در زمینه های دیگر با نتایج عالی انجام می شود [24،25].

بزرگترین امید این است که روزی چنین تکنیک یادگیری ماشین ، که اکثریت قریب به اتفاق پزشکان را به دلیل ماهیت اکتشافی خود می ترساند ، ممکن است به عنوان یک جایگزین مناسب برای سایر مدلهای مستقر که به دلیل اثربخشی بالای آنها جذاب هستند ، درک شود. هزینه ها و بهره برداری سریع.

کمک های نویسنده

مفهوم سازی ، L. R. و M. G. ؛روش شناسی ، F. F. ؛نرم افزار ، L. R. ؛اعتبار سنجی ، L. R. و M. G. ؛کسب بودجه ، L. R. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

بیانیه هیئت بررسی نهادی