پیش بینی قیمت cryptocurrency با استفاده از یادگیری ماشین

یادگیری ماشین و تجارت با کمک هوش مصنوعی برای چند سال گذشته مورد توجه فزاینده ای قرار گرفته است. در اینجا ، ما از این روش برای آزمایش این فرضیه استفاده می کنیم که ناکارآمدی بازار رمزنگاری می تواند برای ایجاد سود غیر طبیعی مورد سوء استفاده قرار گیرد. ما داده های روزانه را تجزیه و تحلیل می کنیم

ارزهای رمزنگاری شده برای دوره بین نوامبر 2015 و آوریل 2018. ما نشان می دهیم که استراتژی های ساده معاملات با کمک الگوریتم های یادگیری ماشین پیشرفته از معیارهای استاندارد استفاده می شود. نتایج ما نشان می دهد که مکانیسم های الگوریتمی غیرمتعارف ، اما در نهایت ساده ، می توانند به پیش بینی تکامل کوتاه مدت بازار رمزنگاری کمک کنند.

1. معرفی

محبوبیت ارزهای رمزنگاری شده در سال 2017 به دلیل چندین ماه متوالی رشد ابزاری سرمایه گذاری در بازار آنها [1] ، که در ژانویه سال 2018 بیش از 800 میلیارد دلار به اوج خود رسیده است ، افزایش یافته است.

به طور فعال ارزهای رمزنگاری شده. بین

و میلیون ها سرمایه گذاران خصوصی و نهادی در شبکه های مختلف معامله قرار دارند ، طبق یک بررسی جدید [2] ، و دسترسی به بازار با گذشت زمان آسان تر شده است. ارزهای اصلی رمزنگاری را می توان با استفاده از ارز فیات در تعدادی از صرافی های آنلاین (به عنوان مثال ، Binance [3] ، Upbit [4] ، Kraken [5] و غیره) خریداری کرد و سپس در نوبت آنها برای خرید ارزهای رمزنگاری کمتر مورد استفاده قرار می گیرد. حجم مبادلات روزانه در حال حاضر نسبت به 15 میلیارد دلار برتر است. از سال 2017 ، بیش از 170 صندوق پرچین تخصصی در ارزهای رمزپایه پدید آمده و آینده های بیت کوین برای رفع تقاضای نهادی برای تجارت و محافظت از بیت کوین راه اندازی شده است [6].

بازار متنوع است و محصولات مختلفی را در اختیار سرمایه گذاران قرار می دهد. فقط به ذکر چند مورد ، بیت کوین صریحاً به عنوان واسطه مبادله طراحی شده است [7 ، 8] ؛Dash خدمات بهبود یافته را در بالای مجموعه ویژگی های بیت کوین ، از جمله معاملات فوری و خصوصی ارائه می دهد [9] ؛Ethereum یک بستر محاسباتی توزیع شده مبتنی بر blockchain است که دارای قابلیت های قرارداد هوشمند (اسکریپت) است ، و اتر یک رمزنگاری است که blockchain توسط پلت فرم Ethereum تولید می شود [10] ؛Ripple یک سیستم تسویه ناخالص در زمان واقعی (RTGS) ، تبادل ارز و شبکه حواله Ripple است [11] ، و IOTA بر ارائه ارتباطات و پرداخت های ایمن بین نمایندگان در اینترنت اشیاء متمرکز است [12].

ظهور بازار خود سازماندهی ارزهای مجازی و/یا دارایی که ارزش آنها در درجه اول توسط اجماع اجتماعی تولید می شود [13] به طور طبیعی علاقه جامعه علمی را به خود جلب کرده است [8 ، 14-30]. نتایج اخیر نشان داده است که خواص بلند مدت رمزنگاری مشخص شده بین سالهای 2013 و 2017 پایدار مانده و با سناریویی سازگار است که در آن سرمایه گذاران به سادگی از بازار نمونه می گیرند و با توجه به سهام بازار رمزنگاری ، پول خود را اختصاص می دهند [1]. اگرچه این به طور متوسط صادق است ، مطالعات مختلف بر تجزیه و تحلیل و پیش بینی نوسانات قیمت متمرکز شده است ، با استفاده از رویکردهای بیشتر سنتی برای تجزیه و تحلیل و پیش بینی بازارهای مالی [31-35].

موفقیت تکنیک های یادگیری ماشین برای پیش بینی بازارهای سهام [36-42] نشان می دهد که این روش ها می توانند در پیش بینی قیمت های رمزنگاری نیز مؤثر باشند. با این حال ، استفاده از الگوریتم های یادگیری ماشین در بازار cryptocurrency تاکنون محدود به تجزیه و تحلیل قیمت های بیت کوین ، با استفاده از جنگل های تصادفی [43] ، شبکه عصبی بیزی [44] ، شبکه عصبی حافظه کوتاه مدت کوتاه مدت [45] ، والگوریتم های دیگر [32 ، 46]. این مطالعات قادر به پیش بینی ، درجات مختلف ، نوسانات قیمت بیت کوین بودند و نشان دادند که بهترین نتایج توسط الگوریتم های مبتنی بر شبکه عصبی حاصل می شود. یادگیری تقویت عمیق برای پیش بینی قیمت 12 ارز رمزنگاری شده در طی یک ساله ، استراتژی خرید و نگه داشتن یکنواخت [47] را نشان می دهد [48].

تلاش های دیگر برای استفاده از یادگیری ماشین برای پیش بینی قیمت ارزهای رمزنگاری غیر از بیت کوین از منابع غیر آکادمیک است [49-54]. بسیاری از این تجزیه و تحلیل ها بر تعداد محدودی از ارزها متمرکز شده و مقایسه معیار برای نتایج آنها را ارائه نمی دهند.

در اینجا ، ما عملکرد سه مدل را در پیش بینی قیمت cryptocurrency روزانه برای 1681 ارز آزمایش می کنیم. دو مدل از این مدل ها بر اساس درختان تصمیم گیری شیب [55] و یکی بر اساس شبکه های عصبی مکرر حافظه کوتاه مدت (LSTM) است [56]. در همه موارد ، ما اوراق بهادار سرمایه گذاری را بر اساس پیش بینی ها می سازیم و عملکرد آنها را از نظر بازده سرمایه گذاری مقایسه می کنیم. ما می دانیم که همه این سه مدل بهتر از یک مدل پایه "میانگین متحرک ساده" [57-60] هستند که در آن قیمت یک ارز به عنوان میانگین قیمت در روزهای گذشته پیش بینی می شود و این روش مبتنی بر مکرر حافظه کوتاه مدت کوتاه مدت است. شبکه های عصبی به طور سیستماتیک بهترین بازده سرمایه گذاری را به دست می آورند.

مقاله به شرح زیر ساخته شده است: در مواد و روشها داده ها را توصیف می کنیم (توضیحات داده ها و پیش پردازش را ببینید) ، معیارهایی که ارزهای رمزنگاری شده در طول مقاله استفاده می شوند (به معیارها مراجعه کنید) ، الگوریتم های پیش بینی کننده (به الگوریتم های پیش بینی شده مراجعه کنید) و ارزیابیمعیارها (به ارزیابی مراجعه کنید). در نتایج ، ما نتایج به دست آمده با سه الگوریتم پیش بینی و روش پایه را ارائه و مقایسه می کنیم. در نتیجه ، نتایج را نتیجه می گیریم و بحث می کنیم.

2. مواد و روشها

2. 1توضیحات داده و پیش پردازش

داده های cryptocurrency از کلاه بازار سکه وب سایت [61] استخراج شد ، و جمع آوری داده های روزانه از 300 سیستم عامل بازار مبادله شروع از دوره بین 11 نوامبر 2015 و 24 آوریل 2018. مجموعه داده ها حاوی قیمت روزانه در دلار آمریکا ، بازار استسرمایه گذاری ، و حجم معاملات ارزهای رمزنگاری شده ، جایی که سرمایه گذاری بازار محصول بین قیمت و عرضه در گردش است و حجم آن تعداد سکه های رد و بدل شده در یک روز است. قیمت روزانه به عنوان میانگین وزنی حجم کل قیمت های گزارش شده در هر بازار محاسبه می شود. شکل 1 تعداد ارزهای دارای حجم معاملات بزرگتر از آن را نشان می دهد

با گذشت زمان ، برای مقادیر مختلف. در بخش های بعدی ، ما در نظر می گیریم که فقط ارزهای دارای حجم معاملات روزانه بالاتر از

USD (دلار ایالات متحده) در هر روز قابل معامله است.

تعداد ارزهای رمزپایه. ارزهای رمزنگاری شده با حجم بالاتر از تابعی از زمان ، برای مقادیر مختلف. برای اهداف تجسم ، منحنی ها به طور متوسط در یک پنجره نورد روزها قرار می گیرند.

در این وب سایت ، ارزهای رمزنگاری شده در بازارهای مبادله عمومی که بیش از 30 روز وجود داشته اند ، لیست می کند و برای آن یک API و یک URL عمومی که نشان دهنده کل عرضه استخراج شده است ، در دسترس است. اطلاعات مربوط به سرمایه در بازار ارزهای رمزنگاری شده که در 6 ساعت قبل از انتشار هفتگی داده ها معامله نمی شوند ، در وب سایت گنجانده نشده است. Cryptocurrencies غیرفعال به مدت 7 روز در لیست منتشر شده گنجانده نشده است. این اقدامات حاکی از آن است که برخی از ارزهای رمزنگاری می توانند از لیست ناپدید شوند تا بعداً دوباره ظاهر شوند. در این حالت ، ما قیمت را همانند قبل از ناپدید شدن می دانیم. با این حال ، این انتخاب نتایج را تحت تأثیر قرار نمی دهد زیرا فقط در 28 مورد ، ارز قبل از ناپدید شدن حجم بالاتر از USD دارد (توجه داشته باشید که 124328 ورودی در مجموعه داده با حجم بزرگتر از دلار وجود دارد).

2. 2معیارهای

ارزهای رمزنگاری شده با گذشت زمان توسط چندین معیار ، یعنی (i) قیمت ، نرخ ارز ، که توسط پویایی عرضه و تقاضا تعیین می شود ، مشخص می شود.(ب) سرمایه گذاری در بازار ، محصول عرضه در گردش و قیمت.(iii) سهم بازار ، سرمایه گذاری در بازار یک ارز عادی شده توسط کل سرمایه بازار.(IV) رتبه ، رتبه ارز را بر اساس سرمایه گذاری در بازار خود.(v) حجم ، سکه ها در 24 ساعت گذشته معامله شدند.(vi) سن ، طول عمر ارز در روزها.

سودآوری ارز

با گذشت زمان می توان از طریق بازده سرمایه گذاری (ROI) اندازه گیری کرد و بازده سرمایه گذاری انجام شده در روز را اندازه گیری کرد

نسبت به هزینه [62]. فهرست

در طول روزها رول می کند و بین 0 تا 895 گنجانده شده است ،

11 نوامبر 2015 ، و

24 آوریل 2018. از آنجا که ما به عملکرد کوتاه مدت علاقه مندیم ، بازده سرمایه گذاری را بعد از 1 روز تعریف شده در نظر می گیریم

در شکل 2 ، ما تکامل با گذشت زمان را برای بیت کوین (خط نارنجی) و به طور متوسط برای ارزهایی که حجم آنها از USD در (خط آبی) بزرگتر است ، نشان می دهیم. در هر دو مورد ، میانگین بازده سرمایه گذاری در طی دوره در نظر گرفته شده بزرگتر از 0 است که نشان دهنده رشد کلی بازار است.

بازده سرمایه گذاری با گذشت زمان. بازده روزانه سرمایه گذاری برای بیت کوین (خط نارنجی) و میانگین ارزهای دارای حجم بزرگتر از دلار (خط آبی). مقدار متوسط آنها در طول زمان (خطوط متراکم) از آن بزرگتر است. برای اهداف تجسم ، منحنی ها به طور متوسط در یک پنجره نورد روزها قرار می گیرند.

2. 3الگوریتم های پیش بینی

ما سه روش تحت نظارت را برای پیش بینی قیمت کوتاه مدت آزمایش و مقایسه می کنیم. دو روش اول به XGBoost [63] متکی هستند ، یک سیستم یادگیری ماشین مقیاس پذیر منبع باز برای تقویت درخت مورد استفاده در تعدادی از راه حل های برنده Kaggle (17/29 در سال 2015) [64]. روش سوم مبتنی بر الگوریتم حافظه کوتاه مدت (LSTM) طولانی برای شبکه های عصبی مکرر است [56] که نشان داده اند که به نتایج پیشرفته در پیش بینی سری زمانی دست می یابند [65].

روش 1. روش اول یک مدل رگرسیون واحد را برای توصیف تغییر قیمت همه ارزها در نظر می گیرد (شکل 3 را ببینید). این مدل یک گروه از درختان رگرسیون است که توسط الگوریتم XGBoost ساخته شده است. ویژگی های مدل ویژگی های یک ارز بین زمان است

و هدف ROI ارز در زمان است ، که در آن پارامتر مشخص شده است. ویژگی های در نظر گرفته شده برای هر ارز عبارتند از: قیمت ، سرمایه در بازار ، سهم بازار ، رتبه ، حجم و ROI (نگاه کنید به (1)). ویژگی های رگرسیون در میان پنجره بین و درج شده است (شکل 3 را ببینید). به طور خاص ، ما میانگین ، انحراف استاندارد ، میانه ، آخرین مقدار و روند (به عنوان مثال ، تفاوت بین مقدار آخر و اول) از خصوصیات ذکر شده در بالا را در نظر می گیریم. در مرحله آموزش ، همه ارزها را با حجم بزرگتر از USD و بین آنها قرار می دهیم

وبه طور کلی ، پنجره های آموزش بزرگتر لزوماً منجر به نتایج بهتر نمی شوند (به بخش نتایج مراجعه کنید) ، زیرا بازار در طول زمان تکامل می یابد. در مرحله پیش بینی ، ما روی مجموعه ارزهای موجود در روز آزمایش می کنیم. این روش برای مقادیر شامل 1 ژانویه 2016 و 24 آوریل 2018 تکرار می شود.

توضیحات شماتیک روش 1. مجموعه آموزش از ویژگی ها و جفت های هدف (T) تشکیل شده است ، که در آن ویژگی ها ویژگی های مختلفی از یک ارز است که در طول روزهای قبل و هدف محاسبه می شود

قیمت AT است. جفت ویژگی های هدف برای همه ارزها و تمام مقادیر موجود در بین و. مجموعه تست شامل جفت های هدف برای کلیه ارزها با حجم معاملات بزرگتر از USD AT است ، جایی که هدف آن قیمت در زمان است و ویژگی ها در روزهای قبل محاسبه می شود.

روش 2. همچنین روش دوم به XGBoost متکی است ، اما اکنون از این الگوریتم برای ساختن یک مدل رگرسیون متفاوت برای هر ارز استفاده می شود (شکل 4 را ببینید). ویژگی های مدل برای ارز ، ویژگی های کلیه ارزهای موجود در مجموعه داده ها بین و گنجانده شده است و هدف آن ROI در روز است (یعنی اکنون الگوریتم یاد می گیرد که قیمت ارز را بر اساس ویژگی های همه موارد پیش بینی کندارزهای موجود در سیستم بین و). ویژگی های مدل همان مورد استفاده در روش 1 است (به عنوان مثال ، میانگین ، استاندارد ، انحراف ، میانگین ، آخرین ارزش و تفاوت بین ارزش آخر و اول مقادیر زیر: قیمت ، سرمایه بازار ، سهم بازار ، رتبه ، حجم، و ROI) در یک پنجره طول. مدل ارز با ویژگی های جفت هدف بین زمان و. مجموعه پیش بینی فقط یک جفت را شامل می شود: ویژگی های (محاسبه شده بین و) و هدف (محاسبه شده در) ارز.

توضیحات شماتیک روش 2. مجموعه آموزش از ویژگی ها و جفت های هدف (T) تشکیل شده است ، که در آن ویژگی ها ویژگی های مختلفی از همه ارزها هستند که در طول روزهای قبل از آن محاسبه می شوند و هدف قیمت AT است. جفت های هدفمند ویژگی ها شامل یک ارز واحد هستند ، برای تمام مقادیر موجود در بین و. مجموعه آزمایش شامل یک جفت هدف واحد است: ویژگی های همه ارزها ، که در طول روزهای قبل و قیمت AT محاسبه می شود.

روش 3. روش سوم مبتنی بر شبکه های حافظه کوتاه مدت بلند مدت ، نوع خاصی از شبکه های عصبی مکرر ، قادر به یادگیری وابستگی های بلند مدت است. در مورد روش 2 ، ما یک مدل متفاوت برای هر ارز ایجاد می کنیم. هر مدل ROI یک ارز معین را در روز بر اساس مقادیر ROI همان ارز بین روزها و شامل می کند.

روش پایه. به عنوان روش پایه ، ما استراتژی متوسط متحرک ساده (SMA) را به طور گسترده آزمایش می کنیم و به عنوان یک مدل تهی در پیش بینی بازار سهام استفاده می شود [57-60]. این قیمت یک ارز را در روز به عنوان میانگین قیمت همان ارز بین و درج شده تخمین می زند.

2. 4ارزیابی

ما عملکرد پرتفوی های مختلف سرمایه گذاری ساخته شده بر اساس پیش بینی های الگوریتم ها را مقایسه می کنیم. نمونه کارها سرمایه گذاری در زمان با تقسیم سرمایه اولیه در بین بالا ساخته می شود

ارزهای پیش بینی شده با بازگشت مثبت. از این رو ، بازده کل در زمان است

عملکرد اوراق بهادار با محاسبه نسبت شارپ و میانگین بازده هندسی ارزیابی می شود. نسبت شارپ به صورت تعریف شده است

میانگین بازده سرمایه گذاری به دست آمده بین زمان 0 و و انحراف استاندارد مربوطه است.

میانگین بازده هندسی به صورت تعریف شده است

که در آن با تعداد کل روزهای در نظر گرفته شده مطابقت دارد. بازده تجمعی به دست آمده پس از سرمایه گذاری و فروش در روز بعد برای کل دوره به عنوان تعریف شده است

تعداد ارزهای موجود در یک نمونه کارها با بهینه سازی میانگین هندسی (میانگین بهینه سازی هندسی) یا نسبت شارپ (بهینه سازی نسبت شارپ) نسبت به گزینه های احتمالی انتخاب می شود. از همین روش برای انتخاب پارامترهای روش 1 (و) ، روش 2 (و) و روش پایه () استفاده می شود.

3. نتایج

ما قیمت ارزها را در روز پیش بینی می کنیم ، برای همه بین 1 ژانویه 2016 و 24 آوریل 2018. این تجزیه و تحلیل تمام ارزهایی را که سن آنها از 50 روز از اولین حضور آنها بزرگتر است و حجم آن از 100000 دلار بزرگتر است ، در نظر می گیرد. برای تخفیف برای تأثیر جنبش کلی بازار (یعنی رشد بازار ، برای بیشتر دوره در نظر گرفته شده) ، قیمت های رمزنگاری شده در BTC (بیت کوین) را در نظر می گیریم. این بدان معنی است که بیت کوین از تجزیه و تحلیل ما مستثنی است.

3. 1تنظیم پارامتر

ابتدا پارامترهای هر روش را انتخاب می کنیم. پارامترها شامل تعداد ارزها برای شامل نمونه کارها و همچنین پارامترهای خاص برای هر روش است. در بیشتر موارد ، در هر روز پارامترهایی را انتخاب می کنیم که میانگین هندسی (میانگین بهینه سازی هندسی) یا نسبت شارپ (بهینه سازی نسبت شارپ) محاسبه شده بین زمان 0 و.

استراتژی پایه. ما عملکرد استراتژی پایه را برای انتخاب پنجره آزمایش می کنیم

(حداقل نیاز برای متفاوت بودن از 0) و

بشرما می دانیم که مقدار کمبود بازده هندسی (به ضمیمه بخش A) و نسبت شارپ (به بخش پیوست A مراجعه کنید) به ویژه قبل از نوامبر 2016 نوسان می کند و در هر دو مورد دارای ارزش متوسط 4 است. تعداد ارزهای موجود در نمونه کارها بین 1 تا 11 با میانگین در 3 ، هر دو برای نسبت شارپ (به بخش پیوست A) و میانگین بازده هندسی (به بخش پیوست بخش A مراجعه کنید).

روش 1. ما مقادیر پنجره را کشف می کنیم

روزها و دوره آموزش در روزها (به بخش پیوست A مراجعه کنید). ما می دانیم که مقدار متوسط پنجره انتخاب شده در طول زمان 7 برای نسبت شارپ و میانگین بهینه سازی هندسی است. مقدار متوسط 5 در میانگین بهینه سازی هندسی و 10 مورد بهینه سازی نسبت شارپ است. تعداد ارزهای موجود در نمونه کارها بین 1 تا 43 با میانگین در 15 برای نسبت شارپ (به بخش پیوست A) و 9 برای میانگین بازده هندسی (به بخش پیوست بخش A مراجعه کنید) بهینه سازی کنید.

روش 2. ما مقادیر پنجره را در روزها و دوره آموزش در روزها بررسی می کنیم (به پیوست ، شکل 10 مراجعه کنید). مقدار متوسط پنجره انتخاب شده در طول زمان 3 برای هر دو نسبت شارپ و میانگین بهینه سازی هندسی است. مقدار متوسط 10 تحت عنوان هندسی و بهینه سازی نسبت شارپ است. تعداد ارزهای موجود در 17 برای نسبت شارپ و 7 برای میانگین بهینه سازی هندسی است (به بخش پیوست A مراجعه کنید).

روش 3. LSTM دارای سه پارامتر است: تعداد دوره ها ، یا عبور کامل از طریق مجموعه داده در مرحله آموزش. تعداد نورون ها در شبکه عصبی و طول پنجره. این پارامترها با بهینه سازی پیش بینی قیمت سه ارز (بیت کوین ، ریپل و اتریوم) انتخاب می شوند که به طور متوسط بیشترین سهم بازار را در طول زمان دارند (به استثنای پول نقد بیت کوین که چنگال بیت کوین است). نتایج (به ضمیمه بخش A مراجعه کنید) نشان می دهد که ، در طیف وسیعی از پارامترهای مورد بررسی ، بهترین نتایج برای آن حاصل می شود. نتایج به ویژه در انتخاب تعداد نورون ها و تعداد دوره ها تحت تأثیر قرار نمی گیرند. ما 1 نورون و 1000 دوره را انتخاب می کنیم از آنجا که این دو پارامتر بزرگتر هستند ، زمان محاسباتی بزرگتر است. تعداد ارزهای موجود در نمونه کارها با گذشت زمان با استفاده از میانگین بازده هندسی بهینه می شود (به بخش پیوست A مراجعه کنید) و نسبت شارپ (به بخش پیوست A مراجعه کنید). در هر دو مورد ، تعداد متوسط ارزهای موجود 1 است.

3. 2بازگشت تجمعی

در شکل 5 ، بازده تجمعی به دست آمده با استفاده از 4 روش را نشان می دهیم. بازده تجمعی به دست آمده در 24 آوریل با بهینه سازی نسبت شارپ

BTC (روش 1) ، BTC (روش 2) ، BTC (روش 3). تحت میانگین بهینه سازی هندسی ، BTC (پایه) ، BTC (روش 1) ، BTC (روش 2) ، BTC (روش 3) را بدست می آوریم. بازده تجمعی به دست آمده در USD بالاتر است (به بخش پیوست D مراجعه کنید). این انتظار می رود ، زیرا قیمت بیت کوین در دوره مورد نظر افزایش یافته است. در حالی که برخی از این ارقام اغراق آمیز به نظر می رسد ، شایان ذکر است که (i) ما یک تمرین نظری را اجرا می کنیم با فرض اینکه در دسترس بودن بیت کوین محدود نیست و (ii) تحت این فرض ، محدوده بالایی به استراتژی ما ، مربوط به سرمایه گذاری هر روز دربیشترین عملکرد ارز منجر به بازگشت تجمعی BTC می شود (به بخش پیوست B مراجعه کنید). ما همچنین سناریوی واقع بینانه تر سرمایه گذاران را در هنگام فروش و خرید ارز پرداخت می کنند (به بخش پیوست C مراجعه کنید). در بیشتر بازارهای مبادله ، هزینه به طور معمول بین

و از مبلغ معامله شده [66]. برای هزینه های حداکثر ، تمام روشهای سرمایه گذاری ارائه شده در بالا ، به طور متوسط ، به بازده مثبت در کل دوره (به بخش پیوست C مراجعه کنید). بهترین روش عملکرد ، روش 3 ، هنگامی که هزینه ها در نظر گرفته می شوند ، دستاوردهای مثبتی را نیز به دست می آورد (به بخش پیوست C مراجعه کنید).

(آ)

(ب)

(الف) (ب)

بازده تجمعی. بازده تجمعی به دست آمده تحت بهینه سازی نسبت شارپ (A) و میانگین بهینه سازی هندسی (B) برای پایه (خط آبی) ، روش 1 (خط نارنجی) ، روش 2 (خط سبز) و روش 3 (خط قرمز). تجزیه و تحلیل با توجه به قیمت های BTC انجام می شود.

بازده تجمعی در شکل 5 با سرمایه گذاری بین اول ژانویه 2016 و 24 آوریل 2018 بدست می آید. ما با نگاهی به میانگین بازده هندسی به دست آمده در دوره های مختلف ، عملکرد کلی روشهای مختلف را بررسی می کنیم (شکل 6 را ببینید). نتایج ارائه شده در شکل 6 تحت بهینه سازی نسبت شارپ برای پایه (شکل 6 (a)) ، روش 1 (شکل 6 (b)) ، روش 2 (شکل 6 (c)) و روش 3 (شکل 6 (D)). توجه داشته باشید که ، در حالی که در این حالت سرمایه گذاری می تواند پس از 1 ژانویه 2016 آغاز شود ، ما پارامترها را با استفاده از داده های آن تاریخ در همه موارد بهینه کردیم. نتایج به طور قابل توجهی بهتر از نتایج به دست آمده با استفاده از میانگین بهینه سازی بازده هندسی است (به بخش ضمیمه E مراجعه کنید). سرانجام ، ما مشاهده می کنیم که هنگامی که الگوریتم ها قیمت های بیت کوین را به جای USD در نظر می گیرند ، عملکرد بهتری حاصل می شود (به بخش D مراجعه کنید).

میانگین بازده هندسی به دست آمده در دوره های مختلف. میانگین بازده هندسی که بین زمان "شروع" و "پایان" با استفاده از بهینه سازی نسبت شارپ برای پایه (A) ، روش 1 (B) ، روش 2 (C) و روش 3 (D) محاسبه می شود. توجه داشته باشید که ، برای اهداف تجسم ، شکل میانگین هندسی ترجمه شده G-1 را نشان می دهد. سایه های قرمز به بازده های منفی و سایه های آبی به قسمتهای مثبت اشاره دارد (به نوار رنگ مراجعه کنید).

3. 3اهمیت

در شکل 7 ، ما اهمیت نسبی ویژگی های مختلف در روش 1 و روش 2. را نشان می دهیم. برای روش 1 ، اهمیت ویژگی را نشان می دهیم. برای روش 2 ، ما میانگین اهمیت ویژگی را برای دو ارز نمونه نشان می دهیم: Ethereum و Ripple.

اهمیت ویژگی برای روشهای 1 و 2. (الف) اهمیت متوسط هر ویژگی برای مدل رگرسیون XGBoost روش 1. نتایج برای و نشان داده شده است.(ب ، ج) نمونه هایی از اهمیت متوسط ویژگی برای مدل رگرسیون XGBoost که در روش 2 تهیه شده است. نتایج برای ، برای اتریوم (B) و ریپل (C) نشان داده شده است. برای اهداف تجسم ، ما فقط ویژگی های برتر را نشان می دهیم.

3. 4ترکیب نمونه کارها

10 ارز منتخب تحت بهینه سازی نسبت شارپ به شرح زیر است:

پایهFactom (91 روز) ، سکه دینار (89 روز) ، موج دار (76 روز) ، اتریوم (71 روز) ، استیم (70 روز) ، لیس (70 روز) ، Maidsafecoin (69 روز) ، مونرو (58 روز)، Bitshares (55 روز) ، Edrcoin (52 روز).

روش 1. اتریوم (154 روز) ، داش (128 روز) ، مونرو (111 روز) ، فاکتوم (104 روز) ، موج دار (94 روز) ، Litecoin (93 روز) ، Dogecoin (92 روز) ، سکه ایمن خدمتکار (86 روز) ،Bitshares (73 روز) ، Tether (59 روز)

روش 2. اتریوم (63 روز) ، مونرو (61 روز) ، فاکتوم (51 روز) ، موج دار (42 روز) ، داش (40 روز) ، سکه ایمن خدمتکار (40 روز) ، سیاکوین (30 روز) ، NEM (26 روز)NXT (26 روز) ، Steem (23 روز).

روش 3. FACTOM (48 روز) ، مونرو (46 روز) ، اتریوم (39 روز) ، لیس (36 روز) ، سکه ایمن خدمتکار (32 روز) ، سکه دینار E (32 روز) ، بیت مار (26 روز) ، سکه B3 (26 روز) ، داش (25 روز) ، کریپتونیت (22 روز).

4. نتیجه گیری

ما عملکرد سه مدل پیش بینی را در قیمت های رمزنگاری روزانه برای ارزها آزمایش کردیم. دو مورد از آنها (روش 1 و روش 2) مبتنی بر درختان تصمیم گیری شیب و دیگری بر اساس شبکه های عصبی مکرر حافظه کوتاه مدت (روش 3) است. در روش 1 ، از همان مدل برای پیش بینی بازده سرمایه گذاری همه ارزها استفاده شد. در روش 2 ، ما یک مدل متفاوت برای هر ارز ساخته ایم که از اطلاعات مربوط به رفتار کل بازار استفاده می کند تا پیش بینی آن ارز واحد را انجام دهد. در روش 3 ، ما از یک مدل متفاوت برای هر ارز استفاده کردیم ، جایی که پیش بینی براساس قیمت های قبلی ارز است.

ما اوراق بهادار سرمایه گذاری را بر اساس پیش بینی های روش متفاوت ساختیم و عملکرد آنها را با یک پایه پایه که توسط استراتژی متوسط متحرک ساده در حال حرکت است ، مقایسه کردیم. پارامترهای هر مدل بر اساس نتیجه هر انتخاب پارامترها در زمان های قبلی ، برای همه به جز روش 3 بهینه سازی شد. ما از دو معیار ارزیابی استفاده شده برای بهینه سازی پارامترها استفاده کردیم: میانگین بازده هندسی و نسبت شارپ. برای تخفیف تأثیر رشد کلی بازار ، قیمت های رمزنگاری در بیت کوین بیان شد. تمام استراتژی های تولید سود (بیان شده در بیت کوین) در کل دوره در نظر گرفته شده و برای مجموعه بزرگی از دوره های معاملاتی کوتاه تر (ترکیب های مختلف تاریخ شروع و پایان برای فعالیت معاملاتی) ، همچنین هنگامی که هزینه معاملات در نظر گرفته می شود.

سه روش بهتر از استراتژی پایه انجام می شود وقتی که استراتژی سرمایه گذاری در کل دوره در نظر گرفته شد. بهینه سازی پارامترها بر اساس نسبت شارپ بازده بزرگتر حاصل می شود. روشهای مبتنی بر درختان تصمیم گیری شیب (روشهای 1 و 2) بهترین کار را انجام می دادند که پیش بینی ها بر اساس پنجره های کوتاه مدت 5/10 روز انجام می شدند ، نشان می دهد که آنها از وابستگی های کوتاه مدت به خوبی سوء استفاده می کنند. در عوض ، شبکه های عصبی مکرر LSTM بهترین کار را انجام می دادند که پیش بینی ها بر اساس روزهای داده باشد ، زیرا آنها قادر به ضبط وابستگی های بلند مدت هستند و در برابر نوسانات قیمت بسیار پایدار هستند. آنها در صورت در نظر گرفتن هزینه های معاملات ، اجازه می دادند سود کسب کنند. روشهای مبتنی بر افزایش شیب درختان تصمیم به تفسیر بهتر. ما دریافتیم که قیمت ها و بازده ارز در چند روز گذشته قبل از پیش بینی عوامل پیش بینی شده برای پیش بینی رفتار آن است. در بین دو روش مبتنی بر جنگل های تصادفی ، یکی در نظر گرفتن یک مدل متفاوت برای هر ارز که بهترین عملکرد را دارد (روش 2). سرانجام ، شایان ذکر است که سه روش پیشنهادی وقتی پیش بینی ها بر اساس قیمت های بیت کوین به جای قیمت های USD باشد ، عملکرد بهتری دارند. این نشان می دهد که پیش بینی همزمان روند کلی بازار رمزنگاری و تحولات ارزهای فردی چالش برانگیزتر از پیش بینی دومی به تنهایی است.

تأکید بر اینکه مطالعه ما محدودیت هایی دارد ، مهم است. اول ، ما تلاش نکردیم تا از وجود قیمت های مختلف در صرافی های مختلف سوءاستفاده کنیم ، در نظر گرفتن این امر می تواند راه را برای بازده قابل توجهی بالاتر از سرمایه گذاری باز کند. دوم ، ما نوسانات قیمت داخلی را نادیده گرفتیم و میانگین قیمت روزانه را در نظر گرفتیم. سرانجام ، و به طور مهم ، ما یک آزمایش نظری را اجرا می کنیم که در آن عرضه موجود بیت کوین نامحدود است و هیچ یک از معاملات ما بر بازار تأثیر نمی گذارد. با وجود این فرضیات ساده ، روشهایی که ما ارائه کردیم به طور سیستماتیک و مداوم قادر به شناسایی ارزهای بهتر بودند. گسترش تجزیه و تحلیل فعلی با در نظر گرفتن این و سایر عناصر بازار ، جهت کار آینده است.

یک رویکرد متفاوت و در عین حال امیدوار کننده برای ارزهای رمزنگاری شده شامل RIN است که تأثیر افکار عمومی را تعیین می کند ، همانطور که از طریق آثار رسانه های اجتماعی ، بر رفتار بازار اندازه گیری می شود ، با همان روحی که در آن این کار برای بورس انجام شد [67]. در حالی که نشان داده شده است که آثار رسانه های اجتماعی نیز می توانند پیش بینی کننده های مؤثر بیت کوین [68-74] و سایر ارزها [75] نوسانات قیمت باشند ، دانش ما از تأثیرات آنها بر کل بازار رمزنگاری محدود است و جهت جالبی برای کار آینده است.

ضمیمه

الف) بهینه سازی پارامتر

در شکل 8 ، ما بهینه سازی پارامترها (A ، C) و (B ، D) را برای استراتژی پایه نشان می دهیم. در شکل 9 ، ما بهینه سازی پارامترهای (A ، D) ، (B ، E) و (C ، F) را برای روش 1. نشان می دهیم. در شکل 10 ، بهینه سازی پارامترها (A ، D) را نشان می دهیم.(B ، E) ، و (C ، F) برای روش 2. در شکل 11 ، خطای مربع متوسط به دست آمده در انتخاب پنجره های مختلف آموزشی (A) ، تعداد دوره های (B) و تعداد نورون ها (C) را نشان می دهیمبرای اتریوم ، بیت کوین و ریپل. در شکل 12 ، ما بهینه سازی پارامتر (C ، F) را برای روش 3 نشان می دهیم.

(آ)

(ب)

(ج)

(د)

(آ ب پ ت)

استراتژی پایه: بهینه سازی پارامترها. پنجره کشویی (A ، C) و تعداد ارز (B ، D) که به مرور زمان تحت میانگین هندسی (A ، B) و بهینه سازی نسبت شارپ (C ، D) انتخاب شده اند. تجزیه و تحلیل با توجه به قیمت های BTC انجام می شود.

(آ)

(ب)

(ج)

(د)

(ه)

(f)

(الف) (ب) (ج) (د) (ه) (f)

روش 1: بهینه سازی پارامترها. پنجره کشویی (A ، D) ، پنجره آموزش (B ، E) و تعداد ارز (C ، F) که به مرور زمان تحت میانگین هندسی (A ، B ، C) و بهینه سازی نسبت شارپ انتخاب شده اند (D ،E ، f). تجزیه و تحلیل با توجه به قیمت های BTC انجام می شود.

(آ)

(ب)

(ج)

(د)

(ه)

(f)

(الف) (ب) (ج) (د) (ه) (f)

روش 2: بهینه سازی پارامترها. پنجره کشویی (A ، D) ، پنجره آموزش (B ، E) و تعداد ارز (C ، F) که به مرور زمان تحت میانگین هندسی (A ، B ، C) و بهینه سازی نسبت شارپ انتخاب شده اند (D ،E ، f). تجزیه و تحلیل با توجه به قیمت های BTC انجام می شود.

(آ)

(ب)

(ج)

(الف) (ب) (ج)

روش 3: بهینه سازی پارامترها. خطای مربع متوسط ROI به عنوان تابعی از اندازه پنجره (A) ، تعداد دوره های (B) و تعداد نورون ها (C). نتایج با توجه به قیمت های بیت کوین نشان داده شده است.

(آ)

(ب)

(الف) (ب)

روش 3: بهینه سازی پارامترها. تعداد ارزهای انتخاب شده با گذشت زمان تحت میانگین هندسی (A) و بهینه سازی نسبت شارپ (B). تجزیه و تحلیل با توجه به قیمت های BTC انجام می شود.

ب - بازگرداندن تحت آگاهی کامل از تکامل بازار

در شکل 13 ، بازده تجمعی به دست آمده با سرمایه گذاری هر روز در ارز عالی را نشان می دهیم ، فرض می کنیم یکی از قیمت های ارز را در روز بعد می داند.

حد بالایی برای بازگشت تجمعی. بازده تجمعی به دست آمده با سرمایه گذاری هر روز در ارز با بالاترین بازده در روز بعد (خط سیاه). بازده تجمعی به دست آمده با پایه (خط آبی) ، روش 1 (خط نارنجی) ، روش 2 (خط سبز) و روش 3 (خط قرمز). نتایج در بیت کوین نشان داده شده است.

ج - بازده به دست آمده در پرداخت هزینه های معامله

در این بخش ، نتایج به دست آمده از جمله هزینه های معامله بین و [66] را ارائه می دهیم. به طور کلی ، نمی توان ارز معینی را با سایر موارد خاص تجارت کرد. از این رو ، ما در نظر می گیریم که هر روز دو بار تجارت می کنیم: ما برای خرید بیت کوین Altcoin می فروشیم و Altcoin های جدید را با استفاده از بیت کوین خریداری می کنیم. میانگین بازده به دست آمده بین ژانویه 2016 و آوریل 2018 برای تمام روشها ، برای هزینه های حداکثر از 1 بزرگتر است (جدول 1 را ببینید). در این دوره ، روش 3 به بازده مثبت برای هزینه های خود می رسد. بازده های به دست آمده با هزینه (نگاه کنید به شکل 14) و (به شکل 15) در دوره های دلخواه ، تأیید می کنند که به طور کلی ، اگر هزینه به اندازه کافی کوچک باشد ، با روشهای ما دستاوردهای مثبت می گیرد.

میانگین بازده هندسی روزانه برای هزینه های مختلف معاملات. با توجه به دوره بین ژانویه 2016 و آوریل 2018 ، نتایج به دست آمده است.