پیش بینی قیمت بیت کوین (BTC) در زمینه تئوری های اقتصادی: یک رویکرد یادگیری ماشین

بیت کوین (BTC)-اولین رمزنگاری-یک شبکه غیرمتمرکز است که برای انجام معاملات خصوصی ، ناشناس ، همسالان در سراسر جهان استفاده می شود ، اما به دلیل ماهیت خودسرانه ، موضوعات بی شماری در قیمت گذاری آن وجود دارد ، بنابراین استفاده از آن به دلیل شک و تردید در میان محدود می شود. مشاغل و خانوارها. با این حال ، دامنه وسیعی از رویکردهای یادگیری ماشین برای پیش بینی دقیق قیمت های آینده وجود دارد. یکی از مهمترین مشکلات تحقیقات قبلی در مورد پیش بینی قیمت BTC این است که آنها در درجه اول تحقیقات تجربی هستند که فاقد پشتیبانی تحلیلی کافی برای تهیه نسخه پشتیبان از مطالبات هستند. بنابراین ، این مطالعه با هدف حل مشکل پیش بینی قیمت BTC در زمینه تئوری های کلان اقتصادی و خرد اقتصادی با استفاده از روشهای جدید یادگیری ماشین انجام شده است. با این حال ، کار قبلی شواهد متفاوتی از برتری یادگیری ماشین بر تجزیه و تحلیل آماری و برعکس نشان می دهد ، بنابراین تحقیقات بیشتری لازم است. این مقاله از رویکردهای مقایسه ای ، از جمله حداقل مربعات معمولی (OLS) ، یادگیری گروه ، رگرسیون بردار پشتیبانی (SVR) و Perceptron چند لایه (MLP) استفاده می کند تا بررسی کند که آیا شاخص های کلان اقتصادی ، خرد اقتصادی ، فنی و بلاکچین بر اساس نظریه های اقتصادی پیش بینی می کنند. قیمت BTC یا نه. این یافته ها اشاره می کنند که برخی از شاخص های فنی پیش بینی کننده قیمت BTC کوتاه مدت قابل توجه هستند ، بنابراین اعتبار تجزیه و تحلیل فنی را تأیید می کنند. علاوه بر این ، شاخص های کلان اقتصادی و blockchain پیش بینی کننده های بلند مدت قابل توجهی هستند ، دلالت بر اینکه عرضه ، تقاضا و نظریه های قیمت گذاری مبتنی بر هزینه تئوری های اساسی پیش بینی قیمت BTC هستند. به همین ترتیب ، SVR نسبت به سایر یادگیری ماشین و مدلهای سنتی برتر است. نوآوری این تحقیق به دنبال پیش بینی قیمت BTC از طریق جنبه های نظری است. یافته های کلی نشان می دهد که SVR نسبت به سایر مدل های یادگیری ماشین و مدل های سنتی برتر است. این مقاله چندین کمک دارد. این می تواند در تأمین مالی بین المللی به عنوان مرجع برای تعیین قیمت دارایی و بهبود تصمیم گیری سرمایه گذاری کمک کند. همچنین با معرفی پیشینه نظری آن به اقتصاد پیش بینی قیمت BTC کمک می کند. علاوه بر این ، از آنجا که نویسندگان هنوز شک دارند که آیا یادگیری ماشین می تواند روشهای سنتی را در پیش بینی قیمت BTC ضرب و شتم کند ، این تحقیق به پیکربندی یادگیری ماشین کمک می کند و به توسعه دهندگان کمک می کند تا از آن به عنوان معیار استفاده کنند.

کلید واژه ها:

1. معرفی

Cryptocurrency یک سیستم خصوصی است که تجارت بین افراد بدون آژانس مرکزی و متوسط را امکان پذیر می کند. در اوایل سال 2009 ، بیت کوین (BTC) برای اولین بار با 0. 08 دلار آمریکا ارزش گذاری شد. این ارز برای بیش از چهار سال در نوسان بود تا اینکه قیمت در سال 2013 1110 دلار لمس کرد. به دلیل نوسانات زیاد و نوسانات گسترده در قیمت ها در ارزهای رمزنگاری شده ، پیش بینی قیمت دقیق یک کار پیچیده و چالش برانگیز است. این امر عمدتاً به این دلیل است که هزینه های رمزنگاری غیرقابل پیش بینی و هرج و مرج حرکت می کند. تکنیک های یادگیری ماشین ممکن است به ایجاد برخی روشها کمک کند که منجر به راه حل های بهتر برای مشکل شود. در چند سال گذشته ، علاقه فزاینده ای به استفاده از تکنیک های یادگیری ماشین در زمینه های مختلف علم وجود داشته است [1،2] ، به ویژه پیش بینی قیمت رمزنگاری [3]. به عنوان مثال ، دوتا و همکاران.[4] از شاخص های کلان اقتصادی ، از جمله نرخ بهره ، بازده بازار S & P500 ، بازده اوراق قرضه ایالات متحده و سطح قیمت طلا به عنوان متغیرهای پیش بینی کننده برای قیمت های BTC استفاده کرد. نتایج نشان می دهد که شاخص های کلان اقتصادی دارای قدرت پیش بینی کوتاه مدت هستند. وانگ و ورگن [5] شاخص های کلان اقتصادی ، یعنی رشد عرضه ، تعریف شده به عنوان BTC در گردش ، را بررسی کردند تا تأثیر آنها را در بازده BTC مشاهده کنند. آنها دریافتند که افزایش عرضه با بازده هفتگی همراه است. کنراد و همکاران.[6] دریافت که نوسانات S& P500 تأثیر قابل توجهی در نوسانات طولانی مدت BTC دارد.

جانگ و لی [7] تأثیر اطلاعات blockchain ، از جمله میانگین اندازه بلوک ، درآمد معدنچی ، مشکل معدن و نرخ هش را بر قیمت BTC بررسی کردند. نتایج آنها ثابت کرد که نوسانات اخیر در قیمت BTC از شاخص های اطلاعات blockchain ناشی می شود. Wang and Vergne [5] شاخص های اطلاعات blockchain ، از جمله چندین همکار منحصر به فرد که به پروژه کمک می کنند ، تعداد پیشنهادهای ادغام شده در پایگاه اصلی ، تعداد موضوعات مطرح شده توسط جامعه در مورد کد ، و تعداد فورکس های توسعه دهنده را برطرف کردند. در BTC بازگشت. آنها بین متغیرهای اطلاعات blockchain و بازده هفتگی رابطه مثبت و معنی داری پیدا کردند. بنابراین ، اولین سؤال تحقیق مطرح می شود: (1) متغیرهای مهم به عنوان پیش بینی کننده قیمت کوتاه مدت یا بلند مدت BTC چیست؟علاوه بر این ، تحقیقات قبلی در مورد پیش بینی قیمت BTC با یادگیری ماشین یا با استفاده از تکنیک های یادگیری ماشین یا تجزیه و تحلیل آماری معمولی بدون پشتیبانی نظری و تحلیلی کافی انجام می شود. این مطالعه بررسی می کند که آیا شاخص های اطلاعاتی کلان اقتصادی ، خرد اقتصادی و blockchain بر اساس تئوری های اقتصادی قیمت BTC را پیش بینی می کند. با توجه به این ملاحظات ، سوال دوم تحقیق این است: (2) تئوری های اساسی اقتصادی پیش بینی کننده قیمت BTC چیست؟

در مورد پیش بینی قیمت BTC در Google Scholar در مقایسه با سهام ، ادبیات کافی در دسترس نیست: حدود 400 مقاله درباره مشکلات پیش بینی قیمت BTC با الگوریتم های یادگیری ماشین. تقریباً 5500 مقاله در مورد پیش بینی قیمت سهام با الگوریتم های یادگیری ماشین وجود دارد. همچنین ، طبق ادبیات موجود ، برخی از تحقیقات در مورد مشکل پیش بینی قیمت BTC نشان می دهد که یادگیری ماشین از تجزیه و تحلیل آماری معمولی بهتر است. در عین حال ، برخی هنوز هم معتقدند که مدل های سنتی می توانند قیمت BTC را بهتر پیش بینی کنند. به عنوان مثال ، چن و همکاران.[8] مدل های تکنیک های یادگیری ماشین کاربردی ، از جمله جنگل تصادفی ، XGBOOST ، تجزیه و تحلیل تبعیض آمیز درجه دوم ، SVM و LSTM و روشهای آماری ، از جمله رگرسیون لجستیک و تجزیه و تحلیل تبعیض آمیز خطی ، برای پیش بینی قیمت BTC با فرکانس بالا. آنها دریافتند که روشهای آماری به دقت 66 ٪ دست می یابند ، و از الگوریتم های پیچیده تر یادگیری ماشین برای پیش بینی قیمت روزانه BTC استفاده می کنند. با این حال ، یادگیری ماشین برای پیش بینی قیمت 5 دقیقه BTC نسبت به روشهای آماری برتر است و صحت آن به 67. 2 ٪ رسیده است. پانگ و همکاران.[9] با مقایسه مدل های شبکه عصبی ، مدل های داده احساسات و شاخص های فنی معمولی و درختان تصمیم گیری برای پیش بینی قیمت BTC. این تجزیه و تحلیل نشان داد که مدل های شبکه عصبی قوی در پیش بینی قیمت BTC دقت بهتری دارند. بنابراین ، تحقیقات بیشتر باید نشان دهد که آیا الگوریتم های یادگیری ماشین نسبت به تجزیه و تحلیل آماری برتر هستند یا خیر. از این رو ، سؤالات تحقیق سوم عبارتند از: (3) آیا الگوریتم های یادگیری ماشین از روشهای سنتی برای پیش بینی قیمت BTC برتر هستند؟کدام مدل یادگیری ماشین عملکرد بهتری دارد؟بهترین تکنیک های انتخاب ویژگی چیست؟

نوآوری تحقیق در اینجا به دنبال پیش بینی قیمت BTC از طریق جنبه های نظری است. یافته های کلی نشان می دهد که SVR نسبت به سایر مدل های یادگیری ماشین و مدل های سنتی برتر است. این مقاله چندین کمک دارد. این می تواند در تأمین مالی بین المللی به عنوان مرجع برای تعیین قیمت دارایی و بهبود تصمیم گیری سرمایه گذاری کمک کند. این برای بانکداران مرکزی ، معامله گران ، سرمایه گذاران و مدیران نمونه کارها مفید خواهد بود. همچنین ، با معرفی پیشینه نظری آن ، به اقتصاد پیش بینی قیمت BTC کمک می کند. علاوه بر این ، از آنجا که نویسندگان هنوز شک دارند که آیا یادگیری ماشین می تواند روشهای سنتی را در پیش بینی قیمت BTC ضرب و شتم کند ، این تحقیق به پیکربندی یادگیری ماشین کمک می کند و به توسعه دهندگان کمک می کند تا از آن به عنوان معیار استفاده کنند. بقیه این مقاله به صورت زیر است. در بخش بررسی ادبیات ، مروری بر کار و تفاوت های موجود از کار فعلی وجود دارد. پس از آن ، روشهای مورد استفاده در این تحقیق به طور خلاصه توضیح داده شده است. پس از آن ، نتایج و بحث ارائه می شود. در پایان ، مقاله به پایان می رسد.

2. بررسی ادبیات

تعامل بین تقاضا و عرضه ، که قیمت را تعیین می کند ، در تئوری اقتصادی بسیار مهم است. این تئوری با طرف عرضه ، یعنی تعداد سکه های موجود در بازار ، با طرف تقاضا ، یعنی سرمایه گذاران که مایل به خرید هستند ، تضاد دارد. این سرمایه گذاران یا مصرف کنندگان هستند که بازیکن اصلی محسوب می شوند. فرض بر این است که تجارت در BTC یک بازار فروش است. فروش مجدد برای ایجاد سود مهمترین در بازار است. سرمایه گذاران که دارایی را خریداری می کنند ، آن را برای مدتی نگه می دارند و سپس آن را بعداً می فروشند ، کسانی هستند که نماینده طرف تقاضا این بازار هستند. BTC ها به دلیل عدم تمرکز خود شناخته شده اند زیرا گره های موجود در بازارها ناشناس هستند. به منظور ایجاد قدرت محاسبات ، از کارگران معدن به جای خدمات خود پاداش می گیرند. معدنچیان طرف عرضه BTC را مدیریت می کنند ، و از این رو می توانند مطابق با کاغذ سفید و طرح BTC به عنوان تأمین کننده باشند ، کل عرضه BTC به 21 میلیون محدود خواهد شد. اطمینان حاصل می شود که معدن تدریجی است و نه با هجوم بزرگ.

علاوه بر این، آنتونیو و همکاران.[10] تحلیل تکنیکال را به عنوان «بخشی از نحوه یادگیری معامله گران در مورد اصول بنیادی» توصیف می کند. تحلیل تکنیکال رفتار بازار آینده را با مطالعه داده های بازار گذشته، مانند حجم و قیمت، پیش بینی می کند. این بر این فرض استوار است که داده های تاریخی می توانند در جهت دهی آینده کمک کنند. به طور مشابه، Wang و Vergne [5] همبستگی مثبتی بین حجم معاملات بیت کوین و بازده ایجاد شده یافتند. نتایج مطالعه بیان شده مطابقت دارد و ثابت می کند که تحلیل تکنیکال بر قیمت بیت کوین تأثیر می گذارد.

2. 1. نظریه اساسی شاخص های اقتصاد کلان: نظریه تقاضا و عرضه

نظریه کمیت پول مفهومی در اقتصاد پولی است که بر این باور است که عرضه و تقاضای پول تعیین کننده سطح قیمت است. با استفاده از این پارادایم، بوخهولتز و همکاران.[11] نشان داد که چگونه نیروهای عرضه و تقاضا عوامل اصلی تأثیرگذار بر قیمت بیت کوین هستند. علاوه بر این، با استفاده از نظریه کینزی چارچوب تقاضای سوداگرانه برای پول، NaiFovino، و همکاران.[12] و Ciaian و همکاران.[13] ارتباط بین شاخص های مالی کلان و قیمت بیت کوین را برجسته کرد. طبق این فرضیه، افرادی که با ارزها معامله می کنند، این کار را انجام می دهند تا از ضرر سرمایه در سرمایه گذاری های خود در اوراق قرضه و سایر دارایی های مالی جلوگیری کنند. افزایش نرخ بهره ارزش دارایی های اقتصادی را کاهش می دهد و در نتیجه سرمایه گذاری دارایی های مالی زیان می یابد [14].

کریستوفک [15] این تحقیق را برای مطالعه تاثیر برخی شاخص های کلان اقتصادی بر پیش بینی قیمت بیت کوین گسترش داد. او دریافت که اگر بیت کوین بیشتر برای تجارت، یعنی معاملات غیر مبادله ای استفاده شود، در بلندمدت افزایش می یابد.

2. 2. نظریه زیربنایی شاخص های اقتصاد خرد: نظریه ریزساختار

چارچوبهای نظری رویکرد ریزساختار که توسط لیون ساخته شده است [16] دلالت بر این دارد که ساختار اطلاعات بازار نامتقارن است ، به این معنی که همه شرکت کنندگان در بازار از اطلاعات بازار نمی دانند. برخی از نمایندگان اطلاعات خصوصی خود را دارند ، نه لزوماً در مورد اصول. لیونز دریافت که جریان سفارش مهمترین تعیین کننده تعیین نرخ ارز در کوتاه مدت است. به گفته لیون [16] ، جریان سفارش را می توان به عنوان تعداد سفارشات مبتنی بر خریدار منهای تعداد سفارشات فروشنده در بازار اندازه گیری کرد. در اقتصاد خرد ، عرضه و تقاضا یک مدل تعیین قیمت بازار اقتصادی است [17،18]. تئوری و شواهد تجربی نشان می دهد که برای دارایی با جریان نقدی معین ، هرچه نقدینگی بازار آن بالاتر باشد ، بازده مورد انتظار آن پایین تر است (به عنوان مثال ، [19،20]). نقدینگی بازار بر قیمت دارایی و بازده مورد انتظار تأثیر می گذارد. در بازار بیت کوین ، فاکتور گسترش پیشنهاد به عنوان یک پروکسی برای نقدینگی بازار. هرچه سفارشات خرید و فروش بیشتر و بیشتر قرار می گیرند ، عرضه و تقاضا کلی بیشتر و بیشتر آشکار می شود. برخی از مطالعات تجربی همچنین پیش بینی کوتاه مدت ریزساختار بیت کوین را نشان دادند. به عنوان مثال ، Dyhrberg و همکاران.[21] نقدینگی و هزینه های معامله بازارهای بیت کوین را به عنوان تجزیه و تحلیل ریزساختار بیت کوین بررسی کرد. Scaillet و همکاران.[22] نشان داد که گسترش پیشنهادات قدرت پیش بینی قابل توجهی از پرش در قیمت بیت کوین دارد. در یک مطالعه دیگر ، گوو و همکاران.[23] با استفاده از سفارشات خرید و فروش ، پیش بینی کوتاه مدت از نوسانات قیمت BTC (اندازه گیری شده با نوسانات) را انجام داد.

اطلاعات خصوصی در بازار BTC با بازار سهام متفاوت است. در معاملات بازار سهام ، اطلاعات خصوصی به درک بهبود یافته از چشم انداز یک شرکت یا شرکت گفته می شود و ارزیابی بهتری از یک جریان پولی بالقوه ارائه می دهد. هنگامی که گروه خاصی از معامله گران در دسترس اطلاعات خصوصی قرار می گیرند ، به ایجاد یک تمایز واضح بین بازار BTC و بازار سهام کمک می کند. با این حال ، توجه به این نکته ضروری است که ، مانند بازار سهام ، BTC گروهی از معامله گران را که فقط وارد بازار نقدینگی می شوند ، سرگرم می کند. سؤالات موجود در اینجا آمده است: اگر هیچ جریان نقدی آینده برای تخفیف در دسترس نباشد یا هیچ دارایی برای ارزیابی باقی نمی ماند؟در چنین سناریویی ، اطلاعات خصوصی دقیقاً چه چیزی را ارائه می دهد؟

نشان داده شده است که ارزیابی BTC به میزان اعتماد به نفس معامله گران آن بستگی دارد. از این رو ، اطلاعات خصوصی تخمین و پیش بینی زیادی از ارزش را که یک BTC به طور بالقوه می تواند به دست آورد ، اعلام می کند. این نوع ارزیابی ها به مصرف BTC و کاربردهای آنها بستگی دارد. اطلاعات خصوصی مانند این به قیمت BTC می افزاید و تقاضای آن را تحریک می کند. از آنجا که BTC دارای یک منبع ثابت است ، اطلاعات خصوصی به افزایش تقاضا کمک می کند و قیمت های موجود در بازار جهانی را افزایش می دهد. داده های ارائه شده توسط کتاب سفارش ، کلیه دلایل تقاضا و شرایط عرضه یک دارایی را در قالب پیشنهادات و درخواست ها ، که به عنوان معاملات در نهایت اجرا می شوند ، پوشش می دهد. داده های موجود در اینجا بینشی در مورد ریزساختار بازار و یک مرور کلی داخلی ارائه می دهد ، که ممکن است درک آن آسان نباشد. پیشنهاد و درخواست قیمت دو مؤلفه اساسی اطلاعات خصوصی است. قیمت پیشنهادی به بالاترین قیمتی اشاره دارد که یک خریدار بالقوه BTC مایل به پرداخت آن است. همچنین از آن به عنوان قیمت خرید مبادله یاد می شود. هنگامی که تقاضا برای BTC زیاد است ، قیمت پیشنهاد افزایش می یابد ، این بدان معنی است که حجم معاملات بر قیمت پیشنهاد تأثیر می گذارد.

Ask Price کمترین قیمتی است که یک فروشنده می خواهد BTC را بپذیرد. اگر تقاضا کاهش یابد ، در قیمت درخواست نیز کاهش می یابد. قیمت ها به طور کلی در مقایسه با قیمت پیشنهادات بیشتر است. بنابراین ، تفاوت بین این دو قیمت ، به نام گسترش ، دقیقاً سود حاصل از این صرافی ها است. قیمت BTC بسیار بی ثبات است و این باعث نوسانات شدید به همراه گسترش می شود ، به همین دلیل فروشندگان پس از مذاکره زیاد با سرمایه گذاران و بازرگانان برای شروع جنگ مناقصه وارد این بازار می شوند. هنگامی که این اتفاق بیفتد ، این فشار خرید باعث افزایش قیمت می شود.

2. 3تئوری اساسی شاخص های اطلاعات blockchain: نظریه قیمت گذاری مبتنی بر هزینه

طبق گفته های نوبل و Gruca [24] ، قیمت هزینه هر خدمات یا محصول را می توان براساس درصد حاشیه سود از پیش تعریف شده محاسبه شده بر کل هزینه محاسبه کرد. تمرکز اصلی نظریه قیمت گذاری مبتنی بر هزینه بر هزینه متغیر و اجزای هزینه ثابت طبقه بندی شده به عنوان بخشی از هزینه داخلی است. این نظریه قیمت گذاری برای معدنچیان BTCS بسیار مهم است زیرا به آنها کمک می کند تا محاسبه کنند که قیمت آن فعالیت معدن سودآورتر است. اطلاعات blockchain یکی از ملاحظات مهم قیمت هزینه BTC است ، طبق Wang و Vergne [5]. راندمان سخت افزار معدن می تواند با استفاده از فناوری مناسب و در نتیجه کاهش هزینه استخراج BTC و قیمت پایین تر به میزان قابل توجهی بهبود یابد. هزینه پایین تر و قیمت پایین تر منجر به افزایش تقاضا خواهد شد و در نتیجه باعث بهبود بازده سرمایه گذاری کلی در BTC می شود. قدرت هشدار اضافی را می توان برای شبکه جهانی معدن در اطلاعات blockchain که در تضاد با هزینه پایین تر از معدنکاری است ، حاصل شود زیرا سطح دشواری منجر به هزینه های معدن بالاتر و قیمت های بالاتر برای BTC ها می شود و در نتیجه کاهش تقاضا و بازده کمتری دارد.

هیز با تهیه یک مدل هزینه تولید برای ارزش گذاری بیت کوین [25] نشان داد که سه عامل قدرت محاسباتی ، میزان تولید سکه و مشکل معدن مورد استفاده ممکن است بیش از 84 ٪ از تشکیل ارزش نسبی را تشکیل دهد. افزایش این مشکل منجر به تولید کمتر واحدهای برای مقدار معینی از قدرت هش می شود و هزینه نسبی تولید را افزایش می دهد. مشابه این ، کاهش پاداش بلوک منجر به واحدهای کمتری خواهد شد. هزینه حاشیه تولید با بهبود بهره وری انرژی سخت افزار معدن ، هزینه های قطره برق در سطح جهان یا کاهش مشکل معدن کاهش می یابد. با بهبود در فرآیندهای فنی ، کارآیی فرآیند استخراج معادن نیز بهبود می یابد ، که منجر به کاهش هزینه تولید می شود که به نوبه خود فشار رو به پایین بر قیمت ها وارد می کند. در یک مطالعه دیگر ، هیز [26] تست های حاشیه ای از مدل تولید را برای ارزش بیت کوین اعمال می کند. نویسنده از Autoregression Vector Autoregression (VAR) و مدل های رگرسیون سنتی در مورد داده های تاریخی از 29 ژوئن 2013 ، تا 27 آوریل 2018 ، هنگامی که مشکل معدن تغییر می کند ، یعنی هر دو هفته یکبار تغییر می کند. نتایج نشان می دهد که هزینه حاشیه تولید در توضیح قیمت گذاری بیت کوین در دراز مدت مهم است (با توجه به هر دو هفته پیش بینی طولانی مدت).

اندازه بلوک تعداد معاملات تأیید شده با هر بلوک را محدود می کند و در نتیجه قدرت محاسبه بیشتری برای تأیید بلوک های بزرگتر ایجاد می شود. این نیاز افزایش یافته به قدرت محاسباتی بیشتر باعث افزایش قیمت cryptocurrency مطابق با آنچه بحث شده است. با تعریف ، نرخ هش به معنای کوانتومی از پردازش و قدرت محاسباتی است که فرآیند معدن به شبکه کمک می کند. به مقدار نرخ هش برای تأمین مقدار قدرت شبکه گفته می شود. بنابراین محاسبه می شود ، از این مقدار برای اصلاح مشکل معدن ، یعنی برای افزایش یا کاهش آن استفاده می شود و از این طریق به همین ترتیب قیمت BTC را افزایش یا کاهش می دهد.

میانگین زمان بلوک شبکه پس از تعداد N بلوک ارزیابی می شود و اگر بالاتر از زمان بلوک مورد انتظار باشد ، سطح دشواری اثبات الگوریتم کار کاهش می یابد. در مقابل ، اگر میانگین زمان بلوک کمتر از حد انتظار باشد ، سطح دشواری افزایش می یابد ، که مطابق با مفهوم اقتصاد به نام قانون کاهش ابزار حاشیه ای است. سرعتی که با آنها در دسترس قرار می گیرد ، پس از آن مقدار با گذشت زمان کاهش می یابد. از نظر اصطلاحات BTC ، هرچه سرعت تشکیل واحد سریعتر باشد ، قیمت سکه نیز پایین تر می شود.

دشواری بر اساس زمانی که برای کشف بلوک های قبلی 2016 در نظر گرفته شده تغییر می کند. اگر یک بلوک هر 10 دقیقه پیدا شود (یافتن بلوک های 2016 دقیقاً 2 هفته طول می کشد). هرچه بیشتر (یا کمتر) برای یافتن بلوک های قبلی 2016 صرف می شد ، مشکل بیشتر کاهش می یابد (مطرح می شود). از آنجا که معدن با وجود مشکلات تنظیم بالاتر و حاشیه ها تا حدودی باریک تر می شود ، هنوز هم از معدنچیان بیشتری برای پیوستن به آنها تشویق می شوند. معدنچیان بیشتری که به این تلاش می پیوندند بدان معنی است که این شبکه در حال رشد است ، که برای قیمت بیت کوین در دراز مدت مناسب است. این چرخه تا زمانی که بخش قابل توجهی از معدنچیان دیگر نتوانند ادامه دهند ، ادامه می یابد. برخی مجبور به فروش بخش فزاینده ای از بیت کوین های تازه ایجاد شده هستند که در نهایت خزانه های آنها را کاهش می دهد. این باعث افزایش عرضه بیت کوین برای فروش در بازار می شود. آنها سرانجام تسلیم شدند و معدن را متوقف کردند. با کاهش نرخ هش ، مشکل به سمت پایین تنظیم می شود.

2. 4استفاده از یادگیری ماشین در حل مسئله در دنیای واقعی

هوش مصنوعی (AI) یک روند نسبتاً جدید در علم است که می خواهد تغییرات اساسی در زندگی افراد ایجاد کند. هوش مصنوعی برای تعریف کمی چالش برانگیز است ، اما می توان گفت که علوم مختلف را برای هوشمندی بیشتر دستگاه ها ترکیب می کند. یکی از محبوب ترین زیرزمین های هوش مصنوعی ، یادگیری ماشین است که به شدت مورد بحث قرار می گیرد. همه تأثیر دستگاه یادگیری را هر روز در زندگی روزمره احساس می کنند. به سادگی یادگیری ماشین علمی است که به ماشین آلات می آموزد که چگونه چیزهای جدید را از خودشان بیاموزند. یادگیری ماشین یکی از اختراعات مدرن انسانی است که به پیشرفت صنایع و مشاغل مختلف کمک کرده است و همچنین در زندگی فردی انسان بسیار تأثیرگذار بوده است [27]. Leaing Machine زیر مجموعه ای از هوش مصنوعی است که بر یادگیری از پایگاه داده برای ساخت سیستم های رایانه ای هوشمند متمرکز است. در حال حاضر ، یادگیری ماشین در زمینه ها و صنایع مختلف استفاده شده است. به عنوان مثال ، از یادگیری ماشین برای تشخیص و درمان بیماری ها استفاده شده است [28] ، پردازش تصویر [29] ، طبقه بندی [30] و موارد دیگر. رگرسیون بردار پشتیبانی می تواند در بسیاری از مناطق ، مانند پیش بینی پاسخ پویا از جداکننده پایه الاستومر مگنتورولوژیک [31] ، بهار حرارتی پشت شکل مطبوعات داغ [32] ، طبقه بندی متن [33] و غیره استفاده شود.

2. 5کار و شکاف تحقیق مرتبط

تاکنون ، مطالعات تجربی مزیت روشنی را برای تکنیک های نوظهور استفاده از الگوریتم های یادگیری ماشین برای پیش بینی قیمت BTC نشان نمی دهد. تحقیقات در این زمینه کافی نیست [34،35]. بنابراین ، این مطالعه به نشان دادن اهمیت روشهای یادگیری ماشین در مشکلات پیش بینی قیمت BTC کمک می کند. همچنین ، برخی از تحقیقات نشان می دهد که یادگیری ماشین از تجزیه و تحلیل آماری بهتر است ، و برخی هنوز هم به برتری تجزیه و تحلیل آماری معمولی اعتقاد دارند. در جدول 1 برخی از کارهای مرتبط با مشکل پیش بینی قیمت BTC ارائه شده است. تحقیقات فعلی با مطالعات قبلی از نظر کامل بودن و جامع بودن متفاوت است و تجزیه و تحلیل مقایسه ای در مطالعه حاضر قبلاً انجام نشده است. علاوه بر این ، شاخص های متنوعی ، از جمله شاخص های کلان اقتصادی ، شاخص های ریزساختار ، اطلاعات blockchain و شاخص های فنی ، برای تجزیه و تحلیل متغیرهای مهم به عنوان پیش بینی کننده قیمت BTC استفاده شده است.

در ادبیات موجود ، هیچ کار جامعی وجود ندارد که در آن تقریباً تمام دسته از شاخص ها مورد بررسی قرار گیرد. بیشتر آثار مربوط به پیش بینی قیمت BTC تجزیه و تحلیل تجربی است. با این حال ، مطالعه حاضر ابتدا به مسئله پیش بینی قیمت BTC از منظر تئوری های اقتصادی ، از جمله نظریه تقاضا و عرضه ، نظریه ریزساختار و نظریه قیمت گذاری مبتنی بر هزینه نگاه می کند. سپس متغیرهای مرتبط مؤثر بر قیمت BTC را مشخص می کند. پس از آن ، ما به صورت تجربی قدرت پیش بینی ویژگی ها را از طریق مدل های یادگیری ماشین در حال ظهور و روش های سنتی اثبات می کنیم.

3. مواد و روشها

این تحقیق از یک روش سنتی OLS [45] و برخی از روش های یادگیری ماشین برای مشکل پیش بینی قیمت BTC ، از جمله یادگیری گروه ، SVR و Multilayer Perceptron ، که به طور خلاصه توضیح داده شده است ، استفاده می کند.

3. 1درک چند لایه

Rosenblatt [46] یک مفهوم Perceptron چند لایه (MLP) را با یک Perceptron منفرد در سال 1958 معرفی کرد ، متشکل از لایه ورودی ، لایه های میانی و لایه خروجی. لایه ورودی اتصال بین فضای بیرونی با شبکه است. لایه های میانی لایه های پنهان نامیده می شوند. از آنجا که هیچ ارتباطی با دنیای خارج وجود ندارد ، ارزش های آن در مجموعه آموزش مشاهده نمی شود. تعداد نورون های موجود در لایه ورودی با تعداد پارامترهای ورودی مطابقت دارد. نورونهای موجود در لایه پنهان را می توان با روش "آزمایش و خطا" تعیین کرد. لایه خروجی شامل نورون ها با توجه به خروجی مورد نظر ما ، به عنوان مثال ، مقدار پیش بینی شده در مشکلات پیش بینی است. مجموعه ای از وزن ها نورونها را به هم متصل می کند (شکل 1 را ببینید).

مقدار خروجی y یک perceptron سه لایه را می توان به صورت زیر فرموله کرد: y = φ 2 (∑ j = 1 n v j z j + b 0)

در جایی که n تعداد نورون های موجود در لایه پنهان است ، V J وزن لایه دوم است ، Z J خروجی نورون J است ، B 0 تعصب نورون خروجی است و φ 2 عملکرد فعال سازی نورون خروجی است. چندین کارکرد فعال سازی در مدلهای MLP استفاده شده است ، مانند شیب کونژوگه مقیاس (SCG) ، لونبر گ-مارکارد (LM) ، نزول شیب با میزان یادگیری تطبیقی (GDA) ، تبار شیب با حرکت (GDM) و سایر موارد. مقدار خروجی نورون J در لایه پنهان توسط:

z j = φ 1 ∑ i = 1 m w i j x i + b j j = 1 ،… ، n

در جایی که m تعداد ورودی ها باشد ، w i j وزن لایه اول است ، x i ورودی است و b j تعصب نورون J است و φ 1 عملکرد فعال سازی لایه های پنهان است. دلیل انتخاب MLP این است که آنها به سرعت آموزش می بینند و به جای 32-64 می توانند اندازه لایه پنهان 256 را داشته باشند. همچنین ، واریانس عظیم یک گروه قوی با یک نوع مدل واحد ارائه می دهد.

3. 2از رگرسیون بردار پشتیبانی کنید

رگرسیون وکتور پشتیبانی (SVR) یک روش رگرسیون غیرخطی در حال ظهور است که بر اساس تئوری یادگیری آماری دارای یک راه حل پایدارتر نسبت به مدلهای سنتی شبکه عصبی است. اتخاذ اصل به حداقل رساندن ریسک ساختاری در SVM باعث کاهش بیش از حد و حداقل مسائل محلی می شود. در SVR ، مشکل رگرسیون غیرخطی با نقشه برداری از داده های ورودی به یک فضای ویژگی های ابعادی بالا با استفاده از توابع هسته به یک مشکل رگرسیون خطی تبدیل می شود [47]. مجموعه ای از داده ها را در نظر بگیرید (x i ، y i) i = 1 m ⊂ ℝ m × ℝ که در آن x i یک بردار ورودی است ، y من خروجی مقیاس را نشان می دهد. در مورد رگرسیون غیرخطی ، عملکرد تخمین خطی می تواند به صورت f x = 〈w ، ϕ x⟩ + b که در آن ، w ∈ ℝ m وکتور وزن است ، فرموله شود ، ϕ x تابع نقشه برداری است ، 〈⋅ ، ⋅⟩ محصول DOT را نشان می دهددر فضای ویژگی ، و B ثابت است. چندین کارکرد هزینه را می توان در SVR استفاده کرد ، از جمله هوبر گاوسی ، ε-حساس و لاپلاسی. عملکرد از دست دادن حساس ε- حساس معرفی شده توسط Vapnik [48] بیشترین کاربردی است که می تواند به شرح زیر باشد:

l ε f x - y = f x - y i f f x - y ≥ ε 0 o t h e r w i s e

جایی که ε شعاع لوله در اطراف عملکرد رگرسیون F (x) است ، بر تعداد بردارهای پشتیبانی مورد استفاده برای ساخت عملکرد رگرسیون تأثیر می گذارد. هزینه خطاها در نقاط داخل لوله صفر است. شکل 2 یک نمودار شماتیک از رگرسیون غیرخطی توسط SVR را نشان می دهد.

SVR رگرسیون خطی را در فضای ویژگی با استفاده از عملکرد ضرر حساس ε با به حداقل رساندن ریسک تجربی r e m p = 1 n ∑ i = 1 n l ε f x-y و همچنین به حداقل رساندن اصطلاح تنظیم ، ‖ ‖ 2 برای کاهش کاهش می دهد. پیچیدگی مدل (صافی). متغیرهای Slack ξ I و ξ I * انحراف نمونه های آموزشی را از منطقه ε- حساس نشان می دهد. عملکرد رگرسیون بهینه را می توان بدست آورد [47]: