ارائه مدلي براي پيش بيني قيمت ارز ديجيتال در شرايط عدم اطمينان محيطي با شبكه عصبي مصنوعي فازي

Presenting a model for predicting the price of digital currency in conditions of environmental uncertainty with a fuzzy artificial neural network

در اين تحقيق با استفاده از روش شبكه‌هاي‌ عصبي فازي به پيش‌بيني‌ قيمت‌ بيت‌ كوين‌ پرداخته مي شود. براي شناسايي معيارهاي مناسب در اين تحقيق به منظور پيش بيني قيمت بيت كوين در مرحله نخست از مطالعات و تحقيقات پيشين در اين حوزه استفاده نموده‌ايم. در ادامه با استفاده از مصاحبه با خبرگان و كارشناسان در اين حوزه همچنين اطلاعات موجود در مورد بيت كوين عوامل نهايي شدند. با استفاده از سايت هاي مرتبط و معيارهاي شناسايي شده به جمع آوري اطلاعات تحقيق پرداخته شد. به اينصورت كه ابتدا اطلاعات داده هاي جمع آوري شده را نرمال نموديم. در مرحله بعد با ورود اطلاعات نرمال شده به نرم افزار متلب (MATLAB) و استفاده از جعبه ابزار طراحي شده و استفاده از روش شبكه عصبي فازي به پيش بيني قيمت بيت كوين پرداخته شد. به اينصورت كه 60 % داده هاي ورودي كه شامل 1330 داده است به عنوان داده هاي آموزش و 40 % داده ها كه 887 داده است به عنوان تست در نظر گرفته شد. نتايج تحقيق نشان از پيش بيني با دقت بالا با استفاده از روش پيشنهادي را دارد. به طوريكه در دو معيار خطاي در نظر گرفته شده مقدار ناچيزي براي خطاي روش محاسبه گرديد.

In this research, using the method of fuzzy neural networks, the price of Bitcoin is predicted. In order to identify the appropriate criteria in this research in order to predict the price of Bitcoin, we have used previous studies and researches in this field in the first stage. In the following, using interviews with experts and experts in this field, the available information about Bitcoin became the final factors. Research information was collected using related sites and identified criteria. In this way, we first normalized the collected data. In the next step, by entering the normalized information into the MATLAB software and using the designed toolbox and using the fuzzy neural network method, Bitcoin price was predicted. In this way, 60% of the input data, which includes 1330 data, was considered as training data and 40% of the data, which is 887 data, was considered as testing. The research results show high accuracy prediction using the proposed method. As the error was considered in two cases, a small value was calculated for the error of the method.