دانلود ترجمه مقاله پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین (ساینس دایرکت – الزویر 2020) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین: رویکردی برای مهندسی ابعاد نمونه

Bitcoin price prediction using machine learning: An approach to sample dimension engineering

چکیده

1. مقدمه

2. آثار مرتبط

3. طرح مسئله و روش شناسی

3.1 طرح مسئله

3.2 مهندسی و ارزیابی ویژگی ها

4. اجرا

4.1. طراحی تجربی

4.2. الگوریتم های یادگیری ماشین

4.3.تنظیم پارامترها و ترکیب بندی

5 نتایج

6. نتیجه گیری و بحث

چکیده

پس از فراز و فرودهای قیمت های ارزهای رمزنگاری شده در سال های اخیر، بیت کوین به صورت فزاینده ای به عنوان یک دارایی برای سرمایه گذاری در نظر گرفته شده است. به خاطر ماهیت بسیار بی ثبات آن، لازم است تا پیش بینی های مناسبی صورت گیرد تا، بر اساس آن، بتوان در مورد سرمایه گذاری تصمیم گیری نمود. با وجودی که تحقیقات فعلی برای پیش بینی دقیق تر بهای بیت کوین از یادگیری ماشین بهره برداری کرده اند، تعداد اندکی از آنها به امکان استفاده از تکنیک های مختلف مدل سازی برای نمونه هایی با ساختار داده ای و ویژگی های بعدی مختلف توجه کرده اند. به منظور پیش بینی بهای بیت کوین در فرکانس های مختلف با استفاده از تکنیک های یادگیری ماشین، ابتدا قیمت بیت کوین را بر اساس قیمت روزانه و قیمت فرکانس بالا طبقه بندی می کنیم. مجموعه ای از ویژگی های با ابعاد بالا از جمله دارایی و شبکه، معاملات و بازار، توجه و قیمت لحظه ای طلا برای پیش بینی قیمت روزانه بیت کوین استفاده می شود، در حالی که ویژگی های اصلی تجارت که از تبادل ارز رمزنگاری شده حاصل شده اند، برای پیش بینی قیمت در فواصل 5 دقیقه ای استفاده می شوند. روشهای آماری شامل رگرسیون لجستیک و آنالیز افتراقی خطی برای پیش بینی قیمت روزانه بیت کوین با ویژگی های ابعاد بالا، به دقت 66٪ رسیده و از الگوریتم های یادگیری پیچیده تر ماشین پیشی می گیرند. در مقایسه با نتایج مبنا برای پیش بینی قیمت روزانه، با بالاترین دقت در روش های آماری و الگوریتم های یادگیری ماشینی، به ترتیب 66٪ و 3/65٪، به عملکرد بهتری دست پیدا می کنیم. مدلهای یادگیری ماشینی، شامل جنگل تصادفی  ،XGBoost، آنالیز افتراقی درجه دو، ماشین بردار پشتیبان و حافظه کوتاه مدت بلند برای پیش بینی قیمت 5 دقیقه ای بیت کوین که دقت آنها به 67.2% رسیده است، از روشهای آماری بهتر هستند. بررسی ما در مورد پیش بینی قیمت بیت کوین را می توان مطالعه ای مقدماتی در مورد اهمیت ابعاد نمونه در تکنیک های یادگیری ماشین در نظر گرفت.

1. مقدمه

بیت کوین که در سال 2008 برای حل ضعف ذاتی مدل مبتنی بر اعتماد معاملات ابداع و در ابتدا به عنوان یک سیستم نقدی الکترونیکی کاملاً همتا تعریف شد، به یک دارایی یا محصولی مانند کالا تبدیل شده است که در بیش از 16000 بازار در سراسر جهان مبادله تجارت می شود. اگرچه طرفداران آن معتقدند که یکی از مهمترین کاربردهای بیت کوین قرار گرفتن در جایگاه ارز بی پشتوانه است، ماهیت واقعی بیت کوین همچنان مسئله ای آزار دهنده است. با توجه به معیارهای استفاده شده توسط اقتصاددانان، سرمایه گذاران بیت کوین را به عنوان ارز در نظر نمی گیرند؛ در عوض، آنها بیت کوین را یک سرمایه گذاری نامطمئن شبیه به سهام اینترنت در قرن گذشته می دانند. قبل از اینکه بیت کوین سیستم های پرداخت و پولی موجود را مختل کند، تجارت چندین ساله و افزایش محبوبیت آن ، مورد توجه جامعه از جمله سیاست گذاران قرار گرفت و اوج سرمایه گذاری بازار بیت کوین، در سال 2017، به 300 میلیارد دلار آمریکا رسید که تقریبا برابر با آمازون  در سال 2016 بود. 

6. نتیجه گیری و بحث

در این مطالعه، تکنیک های یادگیری ماشینی بر اساس ویژگی ها و ابعاد نمونه برای پیش بینی قیمت بیت کوین بررسی شده است. در حالی که بیشتر آثار قبلی تنها از الگوریتم های یادگیری ماشین در پیش بینی قیمت بیت کوین بهره می گیرند ، ما نشان می دهیم که دانه بندی و ابعاد ویژگی نمونه باید در نظر گرفته شود. قیمت روزانه جمع شده بیت کوین، که از CoinMarketCap به دست آمده، گنجاندن ویژگی های با ابعاد بالا از جمله دارایی و شبکه، تجارت و بازار، توجه و قیمت لحظه ای طلا را تسهیل می کند. قیمت معاملات 5 دقیقه ای بیت کوین با ویژگی های موجود در بورس Binance تسهیل می شود. با استفاده از الگوریتم های یادگیری ماشین، و بر اساس اصل تیغ اوکام و الگوریتم های اعمال شده در مشکلات پیش بینی عملی، روش های آماری را برای پیش بینی قیمت روزانه بیت کوین و مدلهای یادگیری ماشین برای پیش بینی قیمت بیت کوین در فواصل 5 دقیقه ای اتخاذ کردیم. نتایج نشان می دهد که روش های آماری برای داده های با فرکانس پایین و دارای ویژگی های بعدی بسیار بهتر عمل می کنند، در حالی که مدل های یادگیری ماشین نسبت به روش های آماری برای داده های با فرکانس بالا  بهتر هستند. بیشتر نتایج ما از نتایج معیار سایر الگوریتم های یادگیری ماشین نیز فراتر است. ما پیش بینی می کنیم که رویکرد ما در مهندسی ابعاد نمونه برداری با استفاده از مدلهای یادگیری ماشینی برای پیش بینی می تواند برای سایر حوزه هایی که دارای خصوصیات مشابه بیت کوین هستند، اعمال شود.

Abstract

After the boom and bust of cryptocurrencies’ prices in recent years, Bitcoin has been increasingly regarded as an investment asset. Because of its highly volatile nature, there is a need for good predictions on which to base investment decisions. Although existing studies have leveraged machine learning for more accurate Bitcoin price prediction, few have focused on the feasibility of applying different modeling techniques to samples with different data structures and dimensional features. To predict Bitcoin price at different frequencies using machine learning techniques, we first classify Bitcoin price by daily price and high-frequency price. A set of high-dimension features including property and network, trading and market, attention and gold spot price are used for Bitcoin daily price prediction, while the basic trading features acquired from a cryptocurrency exchange are used for 5-minute interval price prediction. Statistical methods including Logistic Regression and Linear Discriminant Analysis for Bitcoin daily price prediction with high-dimensional features achieve an accuracy of 66%, outperforming more complicated machine learning algorithms. Compared with benchmark results for daily price prediction, we achieve a better performance, with the highest accuracies of the statistical methods and machine learning algorithms of 66% and 65.3%, respectively. Machine learning models including Random Forest, XGBoost, Quadratic Discriminant Analysis, Support Vector Machine and Long Short-term Memory for Bitcoin 5-minute interval price prediction are superior to statistical methods, with accuracy reaching 67.2%. Our investigation of Bitcoin price prediction can be considered a pilot study of the importance of the sample dimension in machine learning techniques.

1. Introduction

Bitcoin, invented in 2008 to solve the inherent weakness of the trust-based model of transactions and initially defined as a purely peer-to-peer electronic cash system [1], has become an asset or commodity-like product traded in more than 16,000 markets around the world.1 Although proponents hold that one of Bitcoin’s important application is to take the place of fiat currency, the true nature of Bitcoin remains a vexing problem. Investors do not treat Bitcoin as a currency according to the criteria used by economists; instead, they regard Bitcoin as a speculative investment similar to the Internet stocks of the last century [2]. Before Bitcoin disrupted existing payment and monetary systems, its several-year trading and increasing popularity attracted attention from across society, including from policymakers, and the peak of Bitcoin’s market capitalization in 2017 reached 300 billion US dollars, almost equal to that of Amazon in 2016.

6. Conclusion and discussion

In this study, we investigated machine learning techniques based upon sample characteristics of sample and dimension to predict Bitcoin price. While most previous works simply leverage machine learning algorithms in Bitcoin price prediction, we show that the sample’s granularity and feature dimensions should be considered. The Bitcoin aggregated daily price, acquired from CoinMarketCap, facilitates the inclusion of high-dimensional features, including property and network, trading and market, attention and gold spot price. The Bitcoin 5-minute interval trading price is facilitated by features from the Binance exchange. Based on the Occam’s razor principle and the paradigms applied in practical prediction problems using machine learning algorithms, we adopted statistical methods for Bitcoin daily price prediction and machine learning models for Bitcoin 5-minute interval price prediction. The results show that the statistical methods perform better for low-frequency data with high-dimensional features, while the machine learning models outperform statistical methods for high-frequency data. Most of our results also outperform the benchmark results of other machine learning algorithms. We envision that our approach to sampling dimension engineering using machine learning models for the prediction can be applied to other areas that have similar characteristics to Bitcoin.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین: رویکردی برای مهندسی ابعاد نمونه

Bitcoin price prediction using machine learning: An approach to sample dimension engineering