پيش‌بيني نرخ ارز ديجيتال با استفاده ازرويكرد مقايسه‌اي يادگيري ماشيني

Predicting Price Trend of Cryptocurrencies Using a Comparative Approach of Machine Learning Algorithms

در سال‌هاي اخير استفاده از روش‌هاي يادگيري ماشيني و هوش مصنوعي براي پيش‌بيني روندها در بازارهاي مالي رو به رشد بوده است. جديدترين عنصري كه وارد بازار سرمايه شده است ارزهاي ديجيتال هستند. لذا پيش‌بيني روند قيمتي آن‌ها داراي اهميت مي‌باشد. با توجه به گستردگي ارزهاي ديجيتال و تفاوت ساختاري آن‌ها در اين پژوهش تلاش شده است تا با استفاده از روش‌هاي نوين پيش‌بيني رويكرد مقايسه‌اي بين الگوريتم‌هاي يادگيري ماشيني انجام شود. بدين منظور پس از بررسي تحقيقات انجام شده در اين زمينه، داده‌هاي مورد نياز از شش رمز ارز بيت كوين، اتريوم، تتر، ريپل، لايت كوين و دش در دو بازه زماني كوتاه‌مدت (ساعتي) و بلند‌مدت (روزانه) جمع‌آوري شدند. بعد از استاندارد كردن داده‌ها، شش الگوريتم شبكه عصبي، ماشين بردار پشتيبان، نزديكترين همسايگي، بيز ساده، درخت تصميم و رگرسيون لجستيك پياده‌سازي شدند و نسبت‌هاي پيش‌بينيgain ratio, info gain, LFS, relief, vfs براي اين الگوريتم‌ها بر اساس ويژگي‌هاي مشخص شده در ديتاست در دو حالت محاسبه و مقايسه شدند. نتايج به دست آمده در اين پژوهش نشان داد علي‌رغم بدست آمدن نتايج مختلف براي ارزهاي ديجيتال مختلف، الگوريتم شبكه عصبي داراي دقت بالاتري نسبت به ساير روش‌ها مي‌باشد.

In recent years, the use of machine learning and artificial intelligence methods to predict trends in financial markets has been growing. The newest element that has entered the capital market is cryptocurrencies. Therefore, predicting their price trend is important. Considering the wide range of cryptocurrencies and their structural differences, in this research, an attempt has been made to make a comparative approach between machine learning algorithms using modern forecasting methods. For this purpose, after reviewing the research conducted in this field, the required data were collected from six cryptocurrencies Bitcoin, Ethereum, Tether, Ripple, Litecoin and Dash in two short-term (hourly) and long-term (daily) time frames. After normalizing the data, six algorithms including Artificial Neural Networks, Support Vector Machine, K-Nearest Neighbors, Naive Bayes, Decision Tree C5=0 and Logistic Regression were implemented and the prediction ratios of gain ratio, info gain, LFS, relief, vfs for these algorithms were based on the characteristics specified in Datasets were calculated and compared in two modes. The results obtained in this research showed that despite obtaining different results for different digital currencies, the neural network algorithm has higher accuracy than other methods.