پیشرفت‌ها و چالش‌های اخیر در سامانه‌های معاملاتی رمزارز مبتنی بر یادگیری عمیق

در سال‌های اخیر، حوزه معاملات رمزارز به‌عنوان یکی از زمینه‌های نوظهور مالی، توجه قابل‌توجهی را از سوی پژوهشگران یادگیری عمیق به خود جلب کرده است. رمزارزها به‌دلیل ماهیت غیرمتمرکز، نوسانات شدید، رفتار غیرخطی و پیچیدگی دینامیکی بازار، محیطی چالش‌برانگیز برای تحلیل و پیش‌بینی به‌شمار می‌آیند. روش‌های یادگیری عمیق با قابلیت استخراج ویژگی‌های پنهان و الگوهای پیچیده از داده‌های تاریخی، توان بالقوه‌ای برای بهبود پیش‌بینی قیمت، بهینه‌سازی پرتفوی و مدیریت ریسک در بازار رمزارز ارائه کرده‌اند. در این مقاله، یک مرور جامع از پژوهش‌های انجام‌شده پیرامون کاربرد یادگیری عمیق در تحلیل و معاملات رمزارزی ارائه می‌شود. ابتدا مدل‌های پرکاربرد یادگیری عمیق مانند شبکه‌های عصبی کانولوشنی، شبکه‌های بازگشتی، شبکه‌های تقویتی و مدل‌های ترکیبی معرفی شده و سپس کاربرد آن‌ها در وظایف مختلف مدل‌سازی از جمله پیش‌بینی قیمت و نوسان، ساخت پرتفوی، تحلیل حباب، تشخیص معاملات غیرعادی و ارزیابی ریسک بررسی می‌شود. افزون بر این، مجموعه‌داده‌های مورد استفاده، رویکردهای مدل‌سازی و نوآوری‌های تجربی مطالعات تحلیل شده و در پایان، شکاف‌های پژوهشی موجود و مسیرهای آینده توسعه مدل‌های هوشمند در معاملات رمزارزی مورد بحث قرار گرفته است.