ارائه مدل پیش بینی قیمت ارز دیجیتال در شرایط عدم اطمینان محیطی با شبکه عصبی مصنوعی فازی

در این تحقیق با استفاده از روش شبکه‌های‌ عصبی فازی به پیش‌بینی‌ قیمت‌ بیت‌ کوین‌ پرداخته می‏شود. به منظور پیش بینی قیمت بیت کوین در مرحله نخست از مطالعات و تحقیقات پیشین در این حوزه استفاده شده است. برای این منظور با استفاده از سایت‏های مرتبط و معیارهای شناسایی شده به جمع‏‏ آوری اطلاعات تحقیق پرداخته شد. ابتدا اطلاعات داده‏های جمع‏آوری شده را نرمال نمودیم. در مرحله بعد با ورود اطلاعات نرمال شده به نرم افزار متلب (matlab) و استفاده از جعبه ابزار طراحی شده و استفاده از روش شبکه عصبی فازی، قیمت بیت کوین پیش بینی گردید. به این صورت که 60 % داده‏های ورودی که شامل 1330 داده است به عنوان داده‏های آموزش و 40 % داده‏ها که 887 داده است به عنوان تست در نظر گرفته شد. نتایج نشان داد که مدل استفاده شده در این تحقیق، دقت پیش بینی را، با خطای بسیار ناچیز (0.00085)، افزایش می‏دهد.

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

in this study, the price of bitcoin is predicted using the method of fuzzy neural networks. in order to identify the appropriate criteria to predict the price of bitcoin، we have used previous studies and studies in this field in the first stage. using interviews with experts in the field، the available information about bitcoin became the final factors. research information was collected using related websites and identified criteria. 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 the fuzzy neural network method، bitcoin price was predicted. as a result، 60% of the input data which includes 1330 pieces of data was considered as training data and 40% of the data، which included 887 pieces of data، was considered as testing. the research results showed high accuracy prediction using the proposed method. the results of the research revealed that the use of the presented model increases the prediction accuracy with a small error rate of 0.00085.