آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,513 |
| تعداد مقالات | 18,471 |
| تعداد مشاهده مقاله | 60,337,917 |
| تعداد دریافت فایل اصل مقاله | 21,326,330 |
پیشبینی کوتاهمدت قیمت توکنهای نوظهور: رویکردی مبتنی بر طبقهبندی سریهای زمانی و TFT | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 02 شهریور 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2025.65413.4952 | ||
| نویسندگان | ||
| آرش پیک1؛ محمدعلی زارع چاهوکی* 1؛ امین میلانی فرد2؛ مهدی آقا صرام3 | ||
| 1گروه نرمافزار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
| 2گروه علوم کامپیوتر موسسه فناوری نیویورک ونکوور، BC، کانادا | ||
| 3گروه نرم افزار، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران | ||
| چکیده | ||
| این مقاله روشی نوآورانه برای پیشبینی کوتاهمدت قیمت توکنهای نوظهور در بازار پرنوسان رمزارزها ارائه میدهد. توکنهای نوظهور به دلیل دادههای تاریخی محدود و نوسانات شدید، چالشی منحصربهفرد ایجاد میکنند. روش پیشنهادی با دستهبندی سریهای زمانی مالی به زیرسریهای مجزا، بر اساس الگوهای رفتاری مشابه، به این چالش پاسخ میدهد. برای هر دسته، یک مدل تبدیلگر تلفیقی زمان (TFT) مجزا آموزش داده میشود. به منظور غلبه بر کمبود داده، از تکنیک افزایش داده با استفاده از دادههای چندین رمزارز استفاده شده است. آزمایشها بر روی دو توکن نوظهور DOGS و NOT نشان داد که ترکیب دستهبندی، TFTهای تخصصی و افزایش داده، دقت پیشبینی را در مقایسه با مدلهای TFT پایه و LSTM پایه به طور قابلتوجهی بهبود میبخشد. این بهبود دقت، منجر به افزایش سودآوری در شبیهسازی معاملات اسپات شد. به طور مشخص، روش پیشنهادی در یک بازه 3 ساعته، 2.45% سود بر روی 100 تتر سرمایه اولیه، بدون استفاده از اهرم، ایجاد کرد. یک زنجیره مارکوف انتخابگر که به طور پیوسته بهروزرسانی میشود، مدل TFT مناسب برای هر پیشبینی را انتخاب میکند. این روش، پتانسیل بالایی برای کمک به معاملهگران در تصمیمگیریهای آگاهانه و کسب سود بیشتر در بازار توکنهای نوظهور دارد. | ||
| کلیدواژهها | ||
| پیشبینی قیمت رمزارز؛ پیشبینی سریهای زمانی؛ معاملات الگوریتمی؛ مبدل ترکیبی زمانی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 304 |
||