ارائه مدل پیش‌بینی بازدهی بیت‌کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (ceemd- dl)

با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (dl) با ساختارهایی مانند حافظه طولانی کوتاه مدت (lstm)  و شبکه عصبی کانولوشنی (cnn) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها  کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (ceemd) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (ceemd)، مدل هیبریدی  ceemd- dl(lstm) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی2013/01/01 - 2022/05/28  استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (ceemd- dl(lstm)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد.

presenting the forecasting model of bitcoin return using the hybrid method of deep learning - signal decomposition algorithm (ceemd-dl)

with the increasing popularity and widespread use of cryptocurrencies, the creation and development of methods for predicting price movements in this field has attracted a lot of attention. in between, recent developments in deep learning (dl) models with structures such as long-short-term memory (lstm) and convolutional neural network (cnn) have made improvements in the analysis of this type of data. another approach that can be effective in the analysis of cryptocurrencies time series is the decomposition through algorithms such as complete integrated empirical mode decomposition (ceemd). considering the importance of forecasting in the cryptocurrencies field, in this research, by combining deep learning models and complete integrated empirical mode decomposition (ceemd), the hybrid ceemd-dl(lstm) model has been used to forecast the bitcoin return (as the most popular currency). in this regard, the daily data of the total index of the tehran stock exchange was used in the period of 2013/01/01 – 2022/05/28 and the results obtained were compared with the results of competing models based on efficiency measurement criteria. based on the obtained results, the use of the introduced model (ceemd-dl(lstm)) has increased the efficiency and accuracy of bitcoin return forecasting. accordingly, the use of this model in this field is suggested.