پیش‌بینی نرخ ارز دیجیتال با استفاده ازرویکرد مقایسه‌ای یادگیری ماشینی

در سال‌های اخیر استفاده از روش‌های یادگیری ماشینی و هوش مصنوعی برای پیش‌بینی روندها در بازارهای مالی رو به رشد بوده است. جدیدترین عنصری که وارد بازار سرمایه شده است ارزهای دیجیتال هستند. لذا پیش‌بینی روند قیمتی آن‌ها دارای اهمیت می‌باشد. با توجه به گستردگی ارزهای دیجیتال و تفاوت ساختاری آن‌ها در این پژوهش تلاش شده است تا با استفاده از روش‌های نوین پیش‌بینی رویکرد مقایسه‌ای بین الگوریتم‌های یادگیری ماشینی انجام شود. بدین منظور پس از بررسی تحقیقات انجام شده در این زمینه، داده‌های مورد نیاز از شش رمز ارز بیت کوین، اتریوم، تتر، ریپل، لایت کوین و دش در دو بازه زمانی کوتاه‌مدت (ساعتی) و بلند‌مدت (روزانه) جمع‌آوری شدند. بعد از استاندارد کردن داده‌ها، شش الگوریتم شبکه عصبی، ماشین بردار پشتیبان، نزدیکترین همسایگی، بیز ساده، درخت تصمیم و رگرسیون لجستیک پیاده‌سازی شدند و نسبت‌های پیش‌بینیgain ratio, info gain, lfs, relief, vfs برای این الگوریتم‌ها بر اساس ویژگی‌های مشخص شده در دیتاست در دو حالت محاسبه و مقایسه شدند. نتایج به دست آمده در این پژوهش نشان داد علی‌رغم بدست آمدن نتایج مختلف برای ارزهای دیجیتال مختلف، الگوریتم شبکه عصبی دارای دقت بالاتری نسبت به سایر روش‌ها می‌باشد.

predicting price trend of cryptocurrencies using a comparative approach of machine learning algorithms

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.