ارائه مدل ترکیبی پیش بینی عملکرد ارزدیجیتال با استفاده از مدل sbm تحلیل پوششی داده ها و بهینه سازی با شبکه عصبی و pso

ظهور رمزارزها با افزایش نمایی در سرمایه بازار و حجم تجارت، سرمایه های قابل توجهی را جذب کرده است. با توجه به مزایایی که رمزارزها میتوانند در دنیای کسب و کار ارائه دهند و با در نظر داشتن حجم گسترش آن، پیشبینی عملکرد آینده آنها به عنوان یک دغدغه برای سرمایه گذاران مطرح است. پیشبینی عملکرد صحیح میتواند سرمایهگذاران را در کسب سودهای بیشتر کمک نماید. هدف از انجام این پژوهش پیشبینی عملکرد و بازدهی ارزدیجیتال با استفاده از مدلهای ریاضی و بهینه سازی نتایج با بهره گیری از ابزارشبیه سازی است. برای انجام این پژوهش دادههای مربوط به ٣٠ نوع از شاخصترین رمزارزها در بازه زمانی ٢ ساله مورد ارزیابی قرار گرفته است. در پژوهش حاضر مسئله با استفاده از مدل ریاضی ابر کارایی تحلیل پوششی داده ها، مد لسازی و در ادامه مقادیر sbm بهینه - pso و ترکیب آن با mlp واحدهای کارا با شبکه عصبیسازی شده است. نتایج پژوهش حاکی از آن است که در بین ٢٦ واحدی که به عنوان واحدهای کارا تشخیص داده شده اند، بیت کوین، اتریوم، سولانا و بایننسکوین به ترتیب بعنوان محبوبترین رمزارزها با بازدهی بالا پیشبینی میشوند. بهره گیری از مدلهای ترکیبی در حوزه ارز دیجیتال و استفاده از آن برای سازمان های دولتی و نظامی برای ایجاد درآمد و تامین منابع مالی دلاری در شرایط جنگ هیبریدی مورد تاکید است.

presenting a hybrid model for predicting digital currency performance using the sbm model, data envelopment analysis and optimization with neural network and pso

the emergence of cryptocurrencies has attracted considerable capital by increasing the market capitalization and trading volume. considering the advantages that cryptocurrencies can offer in the business world and considering the volume of its expansion, predicting their future performance is a concern for investors. correct performance prediction can help investors to earn more profits. the purpose of this research is to predict the performance and efficiency of digital currency using mathematical models and optimizing the results using simulation tools. to carry out this research, the data related to 30 types of the most prominent cryptocurrencies have been evaluated in a period of 2 years. in the present research, the problem is using the mathematical model of super-efficiency data envelopment analysis, modeling and then the values ​​of optimal sbm-pso and its combination with mlp of efficient units with neural network.has been made the results of the research indicate that among the 26 units that have been identified as effective units, bitcoin, ethereum, solana, and binancecoin are expected to be the most popular cryptocurrencies with high returns, respectively. it is emphasized to use hybrid models in the field of digital currency and use it for government and military organizations to generate income and provide dollar financial resources in the conditions of hybrid war.