ارائه مدل پیش بینی بازدهی بیت کوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)

چکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش­های پیش­بینی حرکت­های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده­است. در این بین مدل­های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM)  و شبکه عصبی کانولوشنی (CNN) پیشرفت­هایی در تحلیل این نوع از داده­ها ایجاد کرده است. یکی دیگر از رویکردهایی که می­تواند در تحلیل قیمتی بازار رمزارزها  کارا باشد تجزیه سیگنال­های از طریق الگوریتم­هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می­باشد. با توجه به اهمیت مقوله پیش­بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل­های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی  CEEMD- DL(LSTM) به منظور پیش­بینی بازدهی قیمتی رمز ارز بیت­کوین (به عنوان محبوب­ترین رمز ارز) مورد استفاده قرار گرفته­است. در این راستا از داده­های روزانه قیمتی بیت­کوین در دوره زمانی۰۱/۰۱/۲۰۱۳ - ۲۸/۰۵/۲۰۲۲  استفاده گردید و نتایج بدست آمده با نتایج مدل­های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش­بینی­های بازدهی رمزارز بیت­کوین را افزایش داده­است. بر همین اساس کاربرد این مدل به منظور پیش­بینی­ در این حوزه پیشنهاد می­گردد. واژه های کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت­کوین،

کلیدواژه ها:

واژه های کلیدی: مدل های یادگیری عمیق (DL) ، تجزیه مد تجربی یکپارچه کامل (CEEMD) ، بیت کوین ، حافظه بلندمدت – کوتاه مدت (LSTM) ، شبکه عصبی کانولوشنی (CNN). طبقه بندی JEL : E۳۷ ، C۶۱ ، C۴۵ ، G۱۸