پیش بینی قیمت cryptocurrency با شبکه عصبی حلقوی و واحد مکرر دروازه دار انباشته

ارزهای مجازی به عنوان یکی از دارایی های مالی اعلام شده اند که به طور گسترده به عنوان ارز ارز شناخته می شوند. معاملات cryptocurrency توجه سرمایه گذاران را به خود جلب کرد زیرا ارزهای رمزپایه می تواند به عنوان سرمایه گذاری های بسیار سودآور در نظر گرفته شود. برای بهینه سازی سود سرمایه گذاری های cryptocurrency ، پیش بینی دقیق قیمت ضروری است. با توجه به این واقعیت که پیش بینی قیمت یک کار سری زمانی است ، یک مدل یادگیری عمیق ترکیبی برای پیش بینی قیمت آینده cryptocurrency پیشنهاد شده است. مدل ترکیبی یک شبکه عصبی یک بعدی یک بعدی و واحد مکرر گیت شده (1DCNN-GRU) را ادغام می کند. با توجه به داده های قیمت cryptocurrency در طول زمان ، شبکه عصبی یک بعدی یک بعدی داده ها را به یک نمایش تبعیض آمیز سطح بالا رمزگذاری می کند. پس از آن ، واحد مکرر دروازه پشته ، وابستگی های دوربرد نمایندگی را ضبط می کند. مدل ترکیبی پیشنهادی در سه مجموعه داده رمزنگاری مختلف ، یعنی بیت کوین ، اتریوم و ریپل مورد بررسی قرار گرفت. نتایج تجربی نشان داد که مدل 1DCNN-GRU پیشنهادی از روشهای موجود با کمترین مقادیر RMSE 43. 933 در مجموعه داده های بیت کوین ، 3. 511 در مجموعه داده های اتریوم و 0. 00128 در مجموعه داده ریپل استفاده می کند.

1. معرفی

ارزهای رمزنگاری شده به عنوان یک ارز دیجیتال همتا به همسالان خدمت می کنند که در آن هر معامله مفصل به روشی امن انجام می شود. معاملات بیشتر در یک بلوک ، معروف به blockchain ذخیره می شوند. ویژگی های امنیتی Cryptocurrency را به یک بستر تجاری محبوب و مشهور برای سرمایه گذاران تبدیل کرده است. ارزهای رمزپایه به طرز چشمگیری در حال رشد بوده و محبوبیت و سرمایه گذاری را کسب می کنند. بیت کوین اولین رمزنگاری غیر متمرکز است که توسط Satoshi Nakamoto [1] ساخته شده است ، و این به ارزشمندترین رمزنگاری در جهان تبدیل شده است. با حجم معامله گسترده ارزهای رمزنگاری شده ، بسیاری از انواع ارز به دنیای رمزنگاری معرفی شدند. برخی از ارزهای رمزنگاری شده مشهور اتریوم و ریپل هستند.

این مطالعه بر پیش بینی قیمت cryptocurrency متمرکز است. پیش بینی قیمت cryptocurrency یک مشکل سری زمانی است که با استفاده از تکنیک های رگرسیون عمیق یادگیری قابل حل است. اگرچه پیش بینی قیمت cryptocurrency چالش برانگیز است ، توسعه الگوریتم های پیش بینی قیمت cryptocurrency ارزشمند است زیرا این نقش اساسی برای معامله گران رمزنگاری دارد. این مقاله با الهام از موفقیت مدل های رگرسیون عمیق یادگیری در طیف گسترده ای از برنامه ها ، یک مدل رگرسیون ترکیبی را ارائه می دهد که یک شبکه عصبی یک بعدی (1DCNN) و یک واحد مکرر دروازه انباشته (GRU) را در 1DCNN-GRU ترکیب می کند. مدل برای پیش بینی قیمت cryptocurrency. سه مجموعه داده قیمت تاریخی Cryptocurrency برای اولین بار از وب سایت مبادله Cryptocurrency جمع آوری می شود. پس از آن ، مجموعه داده ها قبل از انتقال به مدل 1DCNN-GRU برای یادگیری بازنمایی و پیش بینی قیمت ، به برخی از پیش پردازش داده ها ، از جمله عادی سازی و حذف مقدار از دست رفته قرار می گیرند. لایه 1DCNN نقش استخراج ویژگی های برجسته در داده های قیمت تاریخی را ایفا می کند. ویژگی های استخراج شده سپس برای رمزگذاری زمانی که در آن وابستگی های دوربرد ضبط می شود ، به GRU انباشته شده منتقل می شوند. رمزگذاری زمانی برای پیش بینی قیمت cryptocurrency از آن استفاده می شود. قیمت پیش بینی شده در برابر قیمت واقعی مقایسه می شود و میانگین خطای مربع ریشه محاسبه می شود. سهم اصلی این مقاله به شرح زیر است.

داده های قیمت تاریخی cryptocurrency از وب سایت مبادله Cryptocurrency به دست می آید. از آنجا که داده های فاصله روزانه یا ساعتی مستعد از دست دادن اطلاعات هستند ، این مطالعه برای پیش بینی دقیق قیمت داده های فاصله یک دقیقه ای را افزایش می دهد.

مقیاس بندی ویژگی بر روی داده های قیمت تاریخی cryptocurrency با عادی سازی انجام می شود. علاوه بر این ، داده ها بیشتر از قبل پردازش شده اند تا مقادیر گمشده ای را که ممکن است بر یادگیری مدل تأثیر بگذارد ، حذف کند. داده های تمیز سپس در مجموعه آموزش و مجموعه آزمایش برای یادگیری مدل و پیش بینی قیمت تقسیم می شوند.

یک مدل 1DCNN-GRU ترکیبی برای یادگیری بازنمایی و پیش بینی قیمت رمزنگاری ارائه شده است. مدل 1DCNN الگوهای برجسته را در داده های قیمت تاریخی رمزگذاری می کند ، از این رو ویژگی های تبعیض آمیز را برای نشان دادن داده های قیمت تاریخی تولید می کند. پس از آن ، مدل GRU انباشته شده وابستگی های دوربرد را در ویژگی ها ضبط می کند ، بنابراین مشکلات ناپدید شدن شیب را کاهش می دهد.

2. آثار مرتبط

در این بخش برخی از آثار موجود در پیش بینی قیمت cryptocurrency شرح داده شده است. بسیاری از مدل های یادگیری عمیق وجود دارد که برای پیش بینی قیمت اتخاذ شده است [2،3،4،5،6،8،9،9،10،11،12،13،14].

در کار اولیه ، سین و همکاران.(2017) [15] یک الگوریتم پیش بینی را پیشنهاد کرد که می تواند برای کارهای مختلف مالی ، مهندسی و پزشکی اعمال شود. این الگوریتم یک شبکه عصبی مصنوعی (ANN) و یک Perceptron چند لایه (MLP) را ادغام کرد. از آزمایشات ، ترکیب MLP در ANN ، دقت پیش بینی قیمت بیت کوین را از حدود 58 ٪ به 63 ٪ افزایش داد.

یک الگوریتم یادگیری عمیق ، معروف به پیامبر فیس بوک برای پیش بینی قیمت بیت کوین توسط Yenidogan و همکاران به تصویب رسید.(2018) [16]. یک تکنیک تقسیم سه برابر برای ارائه نسبت های بهینه برای مجموعه های آموزش ، آزمایش و اعتبار سنجی انجام شد. نتایج تجربی نشان داد که الگوریتم پیامبر از الگوریتم ARIMA بهتر عمل می کند ، که در آن پیامبر خطای مربعی ریشه پایین تر (RMSE) 652. 18 را در مقایسه با 817. 01 بدست آورد.

مک نالی و همکاران.(2018) [17] چندین الگوریتم یادگیری عمیق را برای پیش بینی قیمت بیت کوین اعمال کرد. در فرآیند اولیه ، الگوهای عملکردی از طریق مهندسی ویژگی از داده ها استخراج شد. نتایج تجربی نشان داد که مدل حافظه کوتاه مدت بلند مدت (LSTM) بالاترین دقت 52. 78 ٪ را به دست آورد در حالی که شبکه های عصبی مکرر (RNN) کمترین دقت 5. 45 ٪ را به دست آورد.

تکنیک های مختلف رگرسیون توسط Phaladisailoed و همکاران ارائه شد.(2018) [18] برای پیش بینی قیمت بیت کوین با استفاده از کتابخانه های Keras و Scikit-Lea. این مجموعه داده از Kaggle گرفته شده است و در آنجا از داده های فاصله یک دقیقه ای در وب سایت Bitcoin Exchange Bitstamp تشکیل شده است. بهترین نتایج نشان داد که مربع R از 99. 2 ٪ توسط مدل های LSTM و GRU بدست آمد.

جیانگ (2020) [19] روشهای یادگیری عمیق را برای پیش بینی قیمت بیت کوین با جمع آوری و سازماندهی مجدد داده ها در قیمت بیت کوین در دقیقه تا ساعت پیشنهاد داد. این مجموعه داده از قبل پردازش شد و پس از آن قبل از تغذیه آن به مدلهای رگرسیون ، مینی دسته و عادی سازی مین حداکثر انجام شد. این کار چند شبکه یادگیری عمیق مانند MLP ، RNN با گسترش LSTM و GRU را برای پیش بینی قیمت بیت کوین آینده پیشنهاد کرد. نتایج تجربی نشان داد که مدل MLP ، با درگیری دو لایه GRU بهترین نتیجه را بدست آورد ، که حداقل RMSE 19. 020 را داشت.

پولیت و همکاران.(2021) [20] برای پیش بینی قیمت اتریوم ، چندین مدل یادگیری عمیق را افزایش داد. انتخاب ویژگی برای کاهش پیچیدگی و ناهنجاری های داده انجام شد. مدل گروه با ترکیب شبکه های LSTM ، GRU و/یا موقت (TCN) اجرا شد. در نتیجه آزمایشی پیش بینی روزانه ، مدل گروه با LSTM ، GRU و Hybrid Gru-TCN بهترین عملکرد 84. 2 ٪ را داشت ، در حالی که مدل LSTM-GRU کمترین RMSE 8. 6 را بدست آورد.

یکی دیگر از مدل های ترکیبی LSTM-GRU توسط Tanwar و همکاران ارائه شد.(2021) [21] برای پیش بینی قیمت cryptocurrency. این کار بیت کوین را به عنوان ارز والدین در نظر گرفته و جهت حرکت قیمت بیت کوین را ضبط می کند. پس از آن ، از جهت حرکت برای پیش بینی قیمت Litecoin و ZCash با فرضیات وابسته بین بیت کوین-لیتکوئین و بیت کوین-زک استفاده شد. با اندازه پنجره یک روزه ، مدل LSTM-GRU یک خطای متوسط مربع (MSE) 0. 02038 را برای Litecoin و 0. 00461 برای ZCASH ثبت کرد.

Livieris و همکاران.(2021) [22] یک مدل یادگیری عمیق cryptocurrency چند ورودی ، که به عنوان MICDL نیز شناخته می شود ، پیشنهاد کرد. رویکرد پیشنهادی از هر داده cryptocurrency به عنوان ورودی در یک لایه حلقوی استفاده می کند ، و به دنبال آن یک لایه استخر و یک لایه LSTM. ساختار کلاسیک یک شبکه عصبی عمیق یادگیری ، مانند یک لایه متراکم ، لایه عادی سازی دسته ای ، لایه ترک و لایه خروجی از آن استفاده شد. CNN پیشنهادی با یک لایه LSTM در داده های بیت کوین 55. 03 ٪ به دست آورد ، در حالی که دقت 51. 51 ٪ برای داده های اتریوم و 49. 61 ٪ برای داده های موج دار بدست آمد.

ژانگ و همکاران.(2021) [23] برای پیش بینی قیمت Cryptocurrency ، یک شبکه عصبی کلوچه ای با وزن و توجه (WAMC) ارائه داد. این مدل از یک GRU برای ایجاد حافظه توجه برای هر دنباله ورودی ، یک ماژول وزنه برداری کانال برای یادگیری وابستگی های متقابل در بین چندین ارز رمزنگاری شده و CNN برای استخراج ویژگی های زمانی محلی داده های تاریخی تشکیل شده است. WAMC پیشنهادی RMSE 9. 70 را برای اتریوم و 1. 37 برای بیت کوین ثبت کرد.

جی و همکاران.(2020) [24] شبکه های عصبی تصادفی را برای پیش بینی قیمت بیت کوین ، اتریوم و Litecoin ابداع کرد. این کار سه عامل ، یعنی آمار بازار تبادل رمزنگاری ، داده های blockchain و احساسات اجتماعی را به عنوان ورودی شبکه های عصبی در نظر گرفته است. به منظور رسیدگی به تصادفی در عوامل ، لایه های تصادفی در مدل MLP و LSTM گنجانیده شدند. در مقایسه با MLP و LSTM قطعی ، شبکه های عصبی تصادفی (MLP و LSTM) بهبود متوسط 4. 84833 ٪ برای بیت کوین ، 4. 15640 ٪ برای اتریوم و 4. 74619 ٪ برای Litecoin را نشان دادند.

پیش بینی قیمت همان ارزهای رمزنگاری شده توسط سباستیائو و همکاران انجام شد.(2021) [25]. نویسندگان چند مدل یادگیری ماشین ، از جمله مدل های خطی ، جنگل تصادفی و دستگاه بردار پشتیبانی را برای بررسی پیش بینی ارزهای رمزنگاری ابداع کردند. نتایج تجربی نشان داد که بهترین نتایج توسط گروه مدلهای خطی ، جنگل تصادفی و دستگاه بردار پشتیبانی بر قیمت اتریوم ، که 63. 33 ٪ از نرخ برد استراتژی ها بود ، بدست آمد. به روش دیگر ، مدل های خطی RMSE های بهینه را در پیش بینی قیمت اتریوم و Litecoin ، که فقط 6. 85 و 8. 14 بودند ، به دست آوردند ، در حالی که جنگل تصادفی به RMSE 5. 77 در پیش بینی قیمت بیت کوین دست یافت.

سعد و همکاران.(2020) [26] برای پیش بینی قیمت بیت کوین ، اتریوم و موج دار چندین روش یادگیری ماشین و یادگیری عمیق را به کار برد. این روش ها شامل همسایگان K-Nearest ، دستگاه بردار پشتیبانی و LSTM است. نتایج تجربی نشان داد که LSTM RMSE بهینه را برای هر سه ارز رمزنگاری به دست آورد ، با RMSE 928. 62 در بیت کوین ، 11. 69 در اتریوم و 0. 16 در موج دار.

Derbentsev و همکاران.(2020) [27] رویکردهای یادگیری ماشین را اجرا کرد ، یعنی دستگاه رواج تصادفی و شیب برای پیش بینی قیمت cryptocurrency. از سه ارز رمزنگاری ، یعنی بیت کوین ، اتریوم و موج دار استفاده شد. آزمایشات نشان داد که دستگاه تقویت شیب قادر است قیمت را در مقایسه با جنگل تصادفی بهتر پیش بینی کند ، که در آن RMSE 263. 34 در بیت کوین ، 5. 02 در اتریوم و 0. 92 در موج دار به دست آمد.

خلاصه آثار موجود در جدول 1 ارائه شده است. بسیاری از آثار موجود برای پیش بینی قیمت LSTM را به دست می آورند ، که به مکانیسم دروازه آن مربوط می شود که قادر به ضبط اطلاعات متوالی و زمانی در داده ها است. با این حال ، ممکن است در داده های قیمت تاریخی خام سر و صدا یا دور وجود داشته باشد. بنابراین ، این کار ابتدا استخراج ویژگی ها را با استفاده از 1DCNN برای ضبط ویژگی های برجسته و سرکوب نویز در داده ها انجام می دهد. پس از آن ، GRU برای رمزگذاری اطلاعات زمانی دوربرد در ویژگی ها استفاده می شود. جزئیات مدل ترکیبی پیشنهادی با 1DCNN و GRU در بخش بعدی مورد بحث قرار گرفته است.

3. پیش بینی قیمت cryptocurrency با شبکه عصبی 1 بعدی Convolutional و واحد مکرر دروازه پشته (1DCNN-GRU)

در این بخش مدل پیشنهادی 1DCNN-GRU برای پیش بینی قیمت cryptocurrency ارائه شده است. داده های قیمت تاریخی سه ارز رمزنگاری برای اولین بار به دست می آید ، یعنی بیت کوین ، اتریوم و ریپل. پس از آن ، داده های جمع آوری شده برای تمیز کردن مقادیر گمشده از قبل پردازش شده اند. پس از آن ، داده های تمیز شده برای یادگیری مدل و پیش بینی قیمت در مدل هیبریدی 1DCNN-GRU تغذیه می شوند. شکل 1 جریان فرآیند پیش بینی قیمت رمزنگاری را نشان می دهد.

3. 1اکتساب داده ها

از سه مجموعه داده برای پیش بینی قیمت رمزنگاری ، یعنی بیت کوین ، اتریوم و ریپل استفاده شد.

داده های تاریخی بیت کوین [28] از وب سایت Kaggle به دست آمد. داده های فاصله یک دقیقه ای از 1 ژانویه 2012 تا 31 مارس 2021 ، که حاوی تقریباً 4. 8 میلیون نمونه از جمله مقادیر نان است. برخی از ستون های موجود در داده ها باز ، بالا ، پایین ، نزدیک (OHLC) قیمت ، حجم و قیمت وزنی هستند. همه زمان های زمانی در زمان یونیکس هستند. ارزش های نان نشان می دهد که هیچ تجارت یا فعالیت در آن زمان اتفاق نیفتاده است. شکل 2 قیمت بسته شدن بیت کوین را برای سالهای 2012 تا 2021 تجسم می کند.

داده های تاریخی اتریوم از وب سایت تبادل Bitstamp جمع آوری شد. داده ها در فواصل یک دقیقه ای حدود 396403 نمونه را تشکیل می دهند. قیمت بسته شدن اتریوم سال 2021 در شکل 3 نشان داده شده است.

Ripple یکی دیگر از رمزنگاری های معروف است که در مقایسه با سایر ارزهای رمزپایه مقادیر کمی پایین تر دارد. داده های تاریخی ریپل نیز از وب سایت تبادل Bitstamp جمع آوری شد. داده های تاریخی شامل حدود 396403 نمونه است ، همانطور که در شکل 4 نشان داده شده است.

3. 2داده های قبل از پردازش

برخی از مراحل قبل از پردازش برای تمیز کردن داده های تاریخی cryptocurrency ، از جمله انتخاب ویژگی ، تبدیل Timestamp ، حذف مقادیر از دست رفته ، تقسیم آزمون قطار و نرمال سازی مقیاس MIN-MAX انجام می شود.

از آنجا که هر مجموعه داده از بسیاری از ویژگی ها تشکیل شده است ، این کار فقط از سه ویژگی برای پیش بینی قیمت ، یعنی زمان بندی ، تاریخ و قیمت بسته شدن استفاده می کند. پس از آن ، تبدیل Timestamp در جایی انجام می شود که زمان سنج در یونیکس به فرمت YY: MM: DD تبدیل می شود. صفرها و NAN ها با رها کردن ردیف های مرتبط فیلتر می شوند. برای جلوگیری از تلفات عظیم داده ها و ارائه پیش بینی به موقع و دقیق تر ، نمونه ها در فواصل یک دقیقه ای گرفته می شوند. با توجه به ناسازگاری داده های تاریخی و نرخ نمونه برداری بالا ، از داده های تاریخی یک هفته استفاده می شود. با استفاده از این تنظیمات ، تعداد نمونه ها برای بیت کوین 10،797 و برای هر دو اتریوم و ریپل 10. 834 است. نمونه ها برای مجموعه آموزش و یک روز برای مجموعه آزمایش ها به شش روز تقسیم می شوند. جدا از آن ، این ویژگی ها در معرض عادی سازی مقیاس گذاری حداقل حداکثر قرار می گیرند که هر ویژگی را به محدوده تبدیل می کند [0 ، 1]. مقیاس گذاری MIN-MAX ضمن حفظ روابط بین مقادیر داده ، اثرات دور را سرکوب می کند. مقیاس حداقل حداکثر به صورت محاسبه می شود

3. 3شبکه عصبی 1 بعدی و واحد مکرر دروازه

در این کار ، یک مدل ترکیبی که ادغام 1DCNN و GRU را برای پیش بینی قیمت cryptocurrency ارائه می دهد. معماری مدل پیشنهادی 1DCNN-GRU در شکل 5 نشان داده شده است. 1DCNN-GRU پیشنهادی شامل یک لایه حلقوی 1D و دو لایه GRU با 256 واحد است.

قیمت تاریخی cryptocurrency نوعی داده های سری زمانی است که قیمت بسته شدن را در طول زمان ضبط می کند. با استفاده از داده های قیمت خام به عنوان ورودی ممکن است سر و صدا و فضای باز را معرفی کند و باعث می شود مدل رگرسیون در داده های ناچیز بیاموزد. بنابراین ، 1DCNN برای استخراج الگوهای برجسته از داده های قیمت تاریخی استفاده می شود. در لایه 1 بعدی Convolutional (CONV1D) ، هسته در امتداد محور زمانی می چرخد و داده های قیمت را در ویژگی های نماینده رمزگذاری می کند. لایه CONV1D در مدل پیشنهادی هم اندازه هسته را تعیین می کند و هم به 1 قدم می زند. از این رو پنجره Convolution یک بار یک بار در یک زمان می خواند. لایه CONV1D از 256 فیلتر خروجی در حلقوی تشکیل شده است ، بنابراین فضای خروجی 256 بعدی را تولید می کند. خروجی لایه CONV1D به لایه GRU بعدی منتقل می شود.

دو لایه GRU برای رمزگذاری وابستگی های طولانی مدت از ویژگی های استخراج شده استفاده می شود. توانایی ضبط وابستگی های بلند مدت در GRU به مکانیسم های دروازه نسبت داده می شود. دو دروازه در GRU وجود دارد ، یعنی به روزرسانی دروازه و بازنشانی دروازه. به روزرسانی دروازه z t در زمان t t اطلاعات مربوط به مراحل زمانی قبلی را که باید به آینده منتقل شود ، تعیین می کند ، تعریف شده

در جایی که وزنهای W (Z) و U (z) به ترتیب با ورودی X T و حالت های پنهان H T - 1 ضرب می شوند. نتایج ضرب جمع می شود و به یک تابع فعال سازی سیگموئید منتقل می شود تا مقادیر بین 0 تا 1 را خرد کند.

جایی که x t و حالت های پنهان H t - 1 با وزن مربوط به آنها w (r) و u (r) ضرب می شوند. مجموع نتایج به همین ترتیب در یک تابع فعال سازی سیگموئید تغذیه می شود تا خروجی به محدوده بین 0 تا 1 محدود شود.

که در آن ⊙ محصول عناصر عاقلانه را نشان می دهد. محتوای حافظه جدید با ضرب اول X T و حالت های پنهان H T - 1 با وزن مربوط به W و U تعیین می شود. پس از آن ، محصول عناصر عاقلانه از دروازه تنظیم مجدد R و U H T-1 محاسبه می شود. عملکرد محصول اطلاعات را از مرحله زمانی قبل کاهش می دهد که مقادیر R T نزدیک به 0. ، جمع W x t و r t ⊙ u h t - 1 توسط یک عملکرد TANH تنظیم می شود تا خروجی را در 1 و 1 حفظ کند.

پس از آن ، حافظه نهایی در مرحله زمانی فعلی که اطلاعاتی را که باید به مرحله بعدی منتقل شود تعیین می کند

داشتن مقادیر z t نزدیک به 1 ، اکثر اطلاعات قبلی را حفظ می کند ، در حالی که مقادیر z t نزدیک به 0 بیشتر از اطلاعات فعلی را حفظ می کند.

سرانجام ، خروجی از لایه های GRU برای پیش بینی قیمت به یک لایه متراکم با یک واحد پنهان منتقل می شود. معماری لایه ای از 1DCNN-GRU پیشنهادی در جدول 2 ارائه شده است.

4. تنظیم Hyperparameter

برای تعیین تنظیمات بهینه از مدل 1DCNN-GRU ، تنظیم Hyperparameter با جستجوی شبکه انجام می شود. HyperParameters که در تنظیم Hyperparameter دخیل هستند ، بهینه ساز ، عملکرد فعال سازی و اندازه دسته ای هستند. بهینه سازها نقش بهینه سازی فرایند یادگیری مدل را برای اطمینان از همگرایی مدل بهینه می کنند. در این کار ، چهار بهینه ساز در نظر گرفته شده است ، یعنی آدم ، SGD ، Adamax و RMSProp. تابع فعال سازی عملکردی در لایه های Conv1d و GRU است که ورودی را تغییر می دهد و مدل را قادر می سازد تا کارهای پیچیده تری را یاد بگیرد و انجام دهد. پنج عملکرد فعال سازی مورد بررسی قرار گرفته است که عبارتند از: Sigmoid ، SoftMax ، Relu ، Tanh و Linear. اندازه دسته ای تعداد نمونه هایی را که برای محاسبات شیب خطا در هر به روزرسانی وزن مدل استفاده می شود ، تعریف می کند. RMSE به عنوان معیار ارزیابی مدل های پیش بینی قیمت cryptocurrency پذیرفته شده است. RMSE ریشه مربعی از فاصله متوسط مربع بین مقادیر واقعی و پیش بینی شده است ، که به عنوان تعریف شده است

جایی که n تعداد کل پیش بینی ها است ، y قیمت واقعی است و y ^ قیمت پیش بینی شده را نشان می دهد. تنظیمات بهینه با کمترین RMSE روی مقادیر Hyperparameter تنظیم شده است.

جدول 3 نتایج تجربی مقادیر مختلف هایپرپارامتر در مجموعه داده بیت کوین را نشان می دهد. کمترین RMSE 43. 933 در هنگام استفاده از SGD Optimizer ، عملکرد فعال سازی سیگموئید و اندازه دسته 16 در مجموعه داده بیت کوین بدست می آید. نتایج تجربی در مجموعه داده های اتریوم در جدول 4 ارائه شده است. مشاهده شده است که کمترین RMSE 3. 511 با بهینه ساز Adamax ، عملکرد فعال سازی SoftMax و اندازه دسته 32 به دست می آید. هنگامی که بهینه ساز ADAM ، عملکرد فعال سازی SoftMax و اندازه دسته 32 تنظیم شده است ، همانطور که در جدول 5 نشان داده شده است ، ثبت می شود.

5- نتایج و تجزیه و تحلیل آزمایشی

در این بخش ، عملکرد مدل پیشنهادی 1DCNN-GRU با مدل های پیش بینی موجود مقایسه می شود. همه مدل ها در همان داده های تاریخی یک دقیقه ای یک دقیقه ای آموزش دیده اند.

در جدول 7 نتایج مقایسه روشهای موجود در مجموعه داده های بیت کوین ، اتریوم و ریپل ارائه شده است. به طور کلی ، RMSE تمام روش های موجود در مجموعه داده های بیت کوین بالاترین است ، به دنبال آن مجموعه داده های اتریوم ، و مجموعه داده ریپل کمترین RMSE را به دست می آورد. این به دلیل تفاوت در قیمت است که در آن قیمت های بالاتر تمایل به RMSE بالاتر دارند.

نتایج تجربی نشان می دهد که 1DCNN-GRU پیشنهادی از روش ها در مقایسه پیشی می گیرد. مدل پیشنهادی 1DCNN-GRU RMSE 43. 933 را در مجموعه داده های بیت کوین ، 3. 511 در مجموعه داده Ethereum و 0. 00128 در مجموعه داده Ripple ثبت می کند. در مقایسه با مدل GRU [19] به تنهایی ، اضافه کردن 1DCNN RMSE را در تمام مجموعه داده ها کاهش داده است. این مربوط به 1DCNN است که قادر به یادگیری روابط محلی و رمزگذاری داده های تاریخی رمزنگاری در ویژگی های تبعیض آمیز است. با انجام این کار ، سر و صدا ، دور و داده های ناچیز در ورودی سرکوب می شود.

جدا از آن ، 1DCNN-GRU پیشنهادی نیز در رابطه با مدل CNN-LSTM پیشرفت زیادی نشان داد [22]. RMSE از 47. 537 به 43. 933 در مجموعه داده بیت کوین ، از 3. 516 به 3. 511 در مجموعه داده های اتریوم و از 0. 00135 به 0. 00128 در مجموعه داده موج دار کاهش یافته است. هر دو LSTM و GRU دارای نقاط قوت خاص خود هستند و در کاربردهای مختلفی که در آن از مکانیسم های دروازه برای حفظ اطلاعات تاریخی استفاده می کنند ، عملکرد خوبی دارند. در این برنامه ، بهبود اثربخشی GRU انباشته شده در ضبط وابستگی های دوربرد از ویژگی ها را تأیید می کند ، بنابراین مشکلات شیب ناپدید شده را کاهش می دهد. قیمت های واقعی و پیش بینی شده بیت کوین ، اتریوم و ریپل به ترتیب در شکل 6 ، شکل 7 و شکل 8 نشان داده شده است.

6. نتیجه گیری

در این مقاله یک مدل یادگیری عمیق ترکیبی ارائه شده است که از نقاط قوت 1DCNN استفاده می کند و GRU را برای پیش بینی قیمت رمزنگاری جمع می کند. قیمت تاریخی سه ارز رمزنگاری به دست آمده است ، یعنی بیت کوین ، اتریوم و ریپل. داده های جمع آوری شده برای حذف مقادیر گمشده نرمال و از قبل پردازش می شوند. پس از آن ، داده های از پیش پردازش شده به مدل هیبریدی 1DCNN-GRU منتقل می شوند. مدل 1DCNN داده های قیمت را به یک نمایش تبعیض آمیز تبدیل می کند که الگوهای قابل توجهی را در داده های قیمت ضبط می کند. پس از آن ، مدل GRU انباشته شده ، وابستگی های دوربرد را در نمایندگی رمزگذاری می کند تا مشکلات از دست دادن اطلاعات گذشته را کاهش دهد. مکانیسم دروازه GRU اطلاعات گذشته و فعلی را برای به روزرسانی و تنظیم مجدد تعیین می کند ، بنابراین کاهش مشکلات شیب را کاهش می دهد. نتایج تجربی نشان می دهد که 1DCNN-GRU پیشنهادی از روشها در مقایسه با کمترین مقادیر RMSE 43. 933 در مجموعه داده بیت کوین ، 3. 511 در مجموعه داده های اتریوم و 0. 00128 در مجموعه داده ریپل استفاده می کند.

به عنوان اثبات مفهوم و به دلیل محدودیت در منابع محاسباتی ، این مطالعه فقط از داده های تاریخی به مدت یک هفته استفاده می کند. آموزش مدل بر روی داده های cryptocurrency برای مدت زمان طولانی تر باید بتواند توانایی تعمیم مدل را بیشتر بهبود بخشد. علاوه بر قیمت پایانی ، عوامل دیگری مانند روند فصلی ، سیاست ها و قوانین دولت ، رسانه های اجتماعی نیز می تواند به عنوان ورودی برای مدل پیش بینی قیمت در نظر گرفته شود.

کمک های نویسنده

مفهوم سازی ، C. Y. K. و C. P. L. ؛روش شناسی ، C. Y. K. و C. P. L. ؛نرم افزار ، C. Y. K. و C. P. L. ؛اعتبار سنجی ، C. Y. K. و C. P. L. ؛تجزیه و تحلیل رسمی ، C. Y. K. ؛تحقیقات ، C. Y. K. ؛منابع ، C. Y. K. ؛درمان داده ، C. Y. K. و C. P. L. ؛نوشتن - پیش نویس آماده سازی ، C. Y. K. ؛نوشتن - بررسی و ویرایش ، C. P. L. و K. M. L. ؛تجسم ، C. Y. K. و C. P. L. ؛نظارت ، C. P. L. و K. M. L. ؛مدیریت پروژه ، C. P. L. ؛کسب بودجه ، C. P. L. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق در این کار توسط Telekom Malaysia Previty & Development تحت شماره کمک مالی RDTC/221045 ، طرح کمک مالی تحقیقاتی وزارت آموزش عالی تحت شماره جایزه FRGS/1/2021/ICT02/MMU/02/4 و دانشگاه چندرسانه ای پشتیبانی شده است. کمک هزینه تحقیقات داخلی با شماره جایزه MMUI/220021.