یک سیستم معاملاتی رمزنگاری خودکار بر اساس تشخیص حرکات قیمت غیرمعمول با یک رویکرد مبتنی بر خوشه بندی سری زمانی

بازار cryptocurrency ، که دارای اندازه بازار به سرعت در حال رشد است ، توجه روز افزون سرمایه گذاران فردی و نهادی را به خود جلب می کند. در حالی که این بازار بسیار بی ثبات فرصت های سود بسیار خوبی را برای سرمایه گذاران فراهم می کند ، به دلیل حساسیت به اخبار سوداگرانه و رفتار غیرقابل پیش بینی سرمایه گذاران اصلی که می توانند حرکات ناعادلانه قیمت را ایجاد کنند ، خطرات را نیز به همراه می آورد. در این مقاله ، ما استدلال می کنیم که نوسانات سریع و زیاد قیمت یا الگوهای غیرمعمول که از این طریق رخ می دهد ممکن است بر عملکرد سیگنال های فنی که پایه ای برای استخراج ویژگی ها در سیستم معاملاتی مبتنی بر یادگیری ماشین (ML) است ، تأثیر منفی بگذارد و این ممکن است باعث شودتعمیم مدل برای بدتر شدن. برای رفع این مشکل ، ما یک سیستم معاملاتی مبتنی بر ML را از جمله یک ماژول تشخیص دورتر سری زمانی ارائه می دهیم که دوره هایی را که در آن شکل گیری قیمت های غیرمعمول مشاهده می شود ، تشخیص می دهد. آموزش الگوریتم های طبقه بندی برای کار پیش بینی جهت قیمت بر روی داده های باقیمانده انجام شد. ما نتایج مربوط به صحت مدل های طبقه بندی و همچنین نتایج شبیه سازی به دست آمده با استفاده از سیستم پیشنهادی برای تجارت زمان واقعی بر روی داده های تاریخی را ارائه می دهیم. این یافته ها نشان داد که مرحله تشخیص دورتر به طور قابل توجهی بازده سرمایه گذاری برای استراتژی های معاملاتی مبتنی بر یادگیری ماشین را افزایش می دهد. علاوه بر این ، نتایج نشان داد که در دوره های بسیار بی ثبات ، سیستم تجارت در مقایسه با مدل پایه و استراتژی خرید و نگه داشتن سودآورتر می شود.

معرفی

مفهوم cryptocurrency در سال 2009 با تولد بیت کوین پدیدار شد که می تواند به عنوان اجداد ارزهای رمزپایه در نظر گرفته شود (ناکاموتو ، 2008). بیت کوین اولین سیستم نقدی الکترونیکی همتا به همتا است که امکان پرداخت آنلاین را از یک طرف به طرف دیگر بدون یک موسسه مالی واسطه منتقل می کند. معاملات انتقال به صورت دیجیتالی با فناوری blockchain رمزگذاری می شوند ، یک بانک اطلاعاتی تغییر ناپذیر و توزیع شده معاملات (Narayanan et al. ، 2016 ، Longo et al. ، 2020 ، Niranjanamurthy et al. ، 2019 ، Monrat et al. ، 2019).

در 11 سال گذشته ، بیش از 10 هزار ارز رمزنگاری و نشانه ها با یک حرکت فزاینده ایجاد شده است ، به خصوص از سال 2017کسب فرصت هایی که هیچ یک از کلاس دارایی های مالی دیگر نمی تواند فراهم کند. بازار cryptocurrency با اندازه بازار 1. 5 تریلیون دلار ، یک حجم معاملات روزانه 100 میلیارد دلار و نزدیک به 400 مبادله در سراسر جهان به یک اکوسیستم بزرگ مالی و سرمایه گذاری تبدیل شده است. این بازار که به سرعت در حال رشد و در حال توسعه است ، بسیار بی ثبات ، دسترسی آسان و باز 24/7 ، همچنان به جلب توجه سرمایه گذاران فردی و نهادی (Jalal ، Alon ، & Paltrinieri ، 2021) ادامه می دهد.

معامله گران در Cryptocur ارز به عنوان یک دارایی جایگزین در حال ظهور به روش های مختلف ، از طریق انواع استراتژی ها سرمایه گذاری می کنند: با درج دارایی های رمزنگاری شده در سبد خود ، نگه داشتن آنها در انتظار سود در میان مدت تا بلند مدت یا با تجارت در فرکانس بالا. به ویژه در معاملات با فرکانس بالا ، معامله گران به دنبال دستیابی به بازده بالا با ریسک کم به دنبال یافتن نقاط ورودی و خروج بهینه در یک سری زمانی مالی هستند. در این مرحله ، آنها از روش ها و استراتژی های فنی و همچنین تکنیک های یادگیری ماشین بهره مند می شوند (Alonso-Monsalve ، Suárez-Cetrulo ، Cervantes ، & Quintana ، 2020).

اخیراً ، یادگیری ماشین (ML) و تکنیک های داده کاوی به طور گسترده ای در پیش بینی بازارهای مالی به کار رفته و نتایج بهتری نسبت به روشهای ساده فنی یا اساسی تجزیه و تحلیل به ارمغان می آورند (هوانگ و همکاران ، 2019 ، Rundo et al. ، 2019 ، Gan et al. ، 2020 ، Paiva و همکاران ، 2019). با این حال ، خطرات مربوط به بازار cryptocurrency ، آن را نسبت به حدس و گمان ، پیام های رسانه های اجتماعی و فیدهای خبری که باعث تحریف در حرکات قیمت می شود ، بسیار حساس می کند (برنی و Yilmaz ، 2019 ، Bizzi و Labban ، 2019). در این مطالعه ، با توجه به این که استفاده از داده های حاوی چنین حرکات قیمت برای آموزش ممکن است توانایی تعمیم مدل ساخته شده برای پیش بینی جهت قیمت را بدتر کند ، ما پیشنهاد می کنیم یک فرآیند تشخیص دورتر را در سیستم معاملاتی مبتنی بر ML ادغام کنیم تا قیمت غیرمعمول را حذف کندزیر مجموعه از مجموعه آموزش.

در این زمینه ، در بخش اول مطالعه ، ما از شش روش طبقه بندی استفاده کردیم که با استفاده از یادگیری تحت نظارت برای پیش بینی جهت قیمت دوره بعدی ، بالا یا پایین استفاده کردیم. برای مهندسی ویژگی ، ما مجموعه متنوعی از ویژگی ها را بر اساس شاخص های فنی مالی متداول ایجاد کردیم. برای ارزیابی توانایی تعمیم سیستم ، ما شامل سه ارز رمزنگاری ، بیت کوین ، اتریوم و Litecoin بودیم که در آزمایش های ما دارای کلاه قابل توجهی در بازار هستند. علاوه بر این ، ما از دو دوره داده ، فرکانس 4 ساعته و 1 روزه برای ارزیابی موفقیت سیستم تجارت در افق های مختلف پیش بینی استفاده کردیم. ما صحت و نرخ بهره (ROI) سیستم معاملاتی مبتنی بر ML را بدون فرآیند تشخیص دورتر ارزیابی می کنیم.

در بخش دوم مطالعه ، ما فرآیند تشخیص دورتر را به عنوان یک مرحله واسطه ای از سیستم تجارت برای ارزیابی تأثیر آن بر صحت و ROI ادغام می کنیم. برای این منظور ، ما ابتدا دوره هایی را که دارای حرکات قیمت هستند با ویژگی غیرمعمول با استفاده از روش تشخیص دور و خارج شده و این قسمت ها را از مجموعه داده ها حذف می کنیم. فرآیند تشخیص دورتر یک رویکرد مبتنی بر خوشه بندی است که از تکنیک پیچش زمان پویا برای محاسبه شباهت ها بین زیر مجموعه های داده های قیمت استفاده می کند. نتایج حاکی از آن است که حذف زیر مجموعه های مشخص شده به عنوان Outliers باعث افزایش ROI به دست آمده با سیستم معاملاتی می شود. ما همچنین مشاهده کرده ایم که سیستم معاملاتی پیشنهادی در دوره های بسیار بی ثبات سودآورتر از خرید و نگه داشتن استراتژی می شود.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 آثار مرتبط را ارائه می دهد. بخش 3 توضیحات مجموعه داده ، استراتژی های پایه مورد استفاده برای مقایسه و جزئیات سیستم معاملاتی پیشنهادی را ارائه می دهد. در بخش 4 ، ما جزئیات آزمایشات و شبیه سازی های انجام شده برای ارزیابی عملکرد سیستم تجارت ، تأثیر روند تشخیص دور بر روی صحت و ROI و بحث را ارائه می دهیم. سرانجام ، بخش 5 نتیجه گیری و کار آینده را ارائه می دهد.

قطعه قطعه

کارهای مرتبط

مطابق با تاریخچه کوتاه ارزهای رمزنگاری شده در مقایسه با سایر ابزارهای مالی ، توسعه و استفاده از سیستم پیش بینی قیمت و تجارت مبتنی بر یادگیری ماشین در بازار cryptocurrency در مراحل اولیه است. برخی از کارآزمایی های تحقیقاتی وجود دارد که سعی می کنند عوامل مؤثر بر حرکات قیمت ارزهای رمزنگاری شده را تحت تأثیر قرار دهند و از این عوامل برای پیش بینی قیمت های آینده خود با استفاده از روش های یادگیری ماشین استفاده کنند. در این مطالعات ، این مشکل از نظر مختلف برطرف شده است

مواد و روش ها

در این بخش ، ابتدا یک نمای کلی از مجموعه داده های مورد استفاده در آزمایش های خود ارائه می دهیم. سپس ، ما به طور خلاصه استراتژی های تجارت گسترده و یک استراتژی پایه را که با آن سیستم معاملاتی پیشنهادی از نظر ROI مقایسه می شود ، خلاصه می کنیم. سرانجام ، ما مراحل سیستم معاملاتی پیشنهادی را توضیح می دهیم.

آزمایش

در این بخش ، ابتدا مجموعه آزمایشی مورد استفاده در طول آزمایشات را ارائه می دهیم. ما جزئیات روش اعتبار سنجی متقاطع و بهینه سازی بیش از حد پارامتر را ارائه می دهیم. سپس ، ما نتایج مقایسه ای را ارائه می دهیم. ما همچنین نتایج شبیه سازی تجارت را با ارزش اولیه 1000 دلار انجام می دهیم. هدف ما سه برابر است: (1) ما نتایج مقایسه ای از مدل های ساخته شده با شش طبقه بندی مختلف را با هدف ارزیابی چگونگی خوب هر طبقه بندی کننده می توانیم از جهت قیمت مدل می کنیم.

c onclusion و کار آینده

هدف از این مطالعه توسعه یک سیستم تجاری مبتنی بر ML برای پایان برای بازار cryptocurrency و بررسی تأثیر استفاده از یک روش تشخیص دور بر پیش بینی و عملکرد معاملات بود. برای این منظور ، در بخش اول مطالعه ، ما استراتژی مبتنی بر یادگیری ماشین خود را بدون تشخیص دور از ذهن به عنوان یک مدل پایه توسعه داده و آزمایش کردیم. در این زمینه ، ما از شش روش طبقه بندی برای پیش بینی جهت قیمت بعدی استفاده کردیم. برای ارزیابی

بیانیه مشارکت در نویسندگی اعتباری

Faruk Ozer: درمان داده ها ، تجزیه و تحلیل رسمی ، بررسی ، روش ، نرم افزار ، تجسم ، نوشتن - پیش نویس اصلی. ج. Okan Sakar: مفهوم سازی ، روش شناسی ، مدیریت پروژه ، نظارت ، اعتبار سنجی ، نوشتن - بررسی و ویرایش.

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.