مقایسه عملکرد سیستم های معاملات الگوریتمی مبتنی بر یادگیری ماشین در بازار رمز ارزها

هدف از این پژوهش استفاده از مدل یادگیری جمعی برای ترکیب پیش بینی های مدل های جنگل تصادفی، حافظه طولانی کوتاه مدت و شبکه عصبی بازگشتی جهت ارائه یک سیستم معاملاتی الگوریتمی مبتنی بر آن می باشد. در این پژوهش یک مدل پیش بینی مبتنی بر مدل یادگیری ماشین جمعی ارائه شده است و عملکرد آن با هر یک از زیر الگوریتم ها و داده های واقعی مقایسه می شود. در این پژوهش در مرحله اول با استفاده از سه مدل یادگیری ماشین، سقف و کف قیمت بیت کوین پیش بینی شده است. در مرحله دوم، خروجی های مدل ها به عنوان متغیرهای ویژگی به مدل­های XGboost  و LightGBM جهت پیش بینی سقف و کف ها ارائه شده است. سپس در مرحله سوم خروجی های مرحله دوم، با الگوی دسته بندی رای گیری جمعی برای پیش بینی سقف و کف بعدی، ترکیب می­شوند. داده های سقف و کف قیمت بیت کوین در تایم فریم ۱ ساعته از تاریخ ۱/۱/۲۰۱۸ الی آخر ۳۰/۶/۲۰۲۲ به عنوان متغیر هدف و ۳۱ اندیکاتور تحلیل تکنیکال به عنوان متغیر ویژگی برای سه مدل در مرحله اول استفاده شده اند. در نهایت مقادیر پیش بینی و سیستم های معاملاتی الگوریتمی با داده های واقعی برای ۳ مدل و مدل یادگیری جمعی معرفی شده مورد ارزیابی و مقایسه قرار گرفتند. نتایج به دست آمده نشان دهنده ارتقا عملکرد دقت و صحت مدل یادگیری جمعی پیشنهاد شده در پیش بینی سقف و کف بیت کوین و همچنین، عملکرد بهتر آن نسبت به زیر الگوریتم ها می باشد

کلیدواژه ها:

معاملات الگوریتمی ، پیش بینی سقف و کف قیمت ، یادگیری ماشین جمعی ، XGBoost ، LightGBM