BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri

BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri

BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri

BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri

BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri
BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№1, 2020

BİTKOİNİN QİYMƏTİNİN PROQNOZLAŞDIRILMASI ÜÇÜN DƏRİN LSTM METODU

İmamverdiyev Yadigar N.

Məqalədə Bitkoinin mübadilə kursunu proqnozlaşdırmaq üçün dərin neyron şəbəkə arxitekturası təklif olunur. Arxitekturanın əsasını rekurrent neyron şəbəkələrinin bir növü olan LSTM (ing. Long-Short Term Memory) təşkil edir. Son dövrlər kriptovalyutalar əhəmiyyətli maliyyə alətinə çevriliblər və bu səbəbdən onların ənənəvi valyutalara mübadilə kurslarının proqnozlaşdırılması məsələsi olduqca aktuallıq qazanmışdır. Bitkoin ilk kriptovalyutadır, hazırda kriptovalyutaların ümumi bazar kapitallaşmasının yarıdan çoxu ona məxsusdur və kriptovalyuta dünyasının “qızılı” rolunu oynayır, yəni digər kriptovalyutaların qiyməti çox zaman Bitkoin ilə ifadə edilir. Məhz bu səbəbdən Bitkoin kursunun proqnozlaşdırılması məsələsinə baxılmışdır və bir neçə ili əhatə edən böyük həcmli real verilənlərlə eksperimentlərdə təklif edilmiş dərin LSTM yanaşması Bitkoin zaman sıralarının proqnozlaşdırılmasında geniş istifadə edilən statistik metodlarla müqayisədə daha üstün nəticələr göstərmişdir. Alınmış nəticələr həm kriptovalyutalarla ötəri maraqlanan adi istifadəçilər, həm də kriptovalyutalar sahəsində fəal işləyən investorlar üçün əhəmiyyətlidir. Əldə edilmiş nəticələr həmçinin dərin təlim yanaşmalarının kriptovalyutalara aid qeyri-stasionar zaman sıralarının intellektual analizinin digər məsələlərinə tətbiqində də kifayət qədər məhsuldar ola biləcəyini təsdiqləyir (səh.82-89).

Açar sözlər: Bitkoin, kriptovalyuta, zaman sıraları, proqnozlaşdırma, rekurrent neyron şəbəkələri, dərin təlim, LSTM.
DOI : 10.25045/jpit.v11.i1.10
Ədəbiyyat
  • Narayanan A., Bonneau J., Felten E., Miller A., and Goldfeder S. Bitcoin and cryptocurrency technologies: A comprehensive introduction. Princeton University Press, 2016, 336 p.
  • Fry J., and Cheah E.T. Negative bubbles and shocks in cryptocurrency markets // International Review of Financial Analysis, 2016, vol.47, pp.343–352.
  • İmamverdiyev Y., Sadıyeva F. Kriptovalyuta verilənlərinin intelektual analizi məsələləri / “İnformasiya təhlükəsizliyinin aktual multidissiplinar elmi-praktiki problemləri” IV respublika konfransı, 14 dekabr 2018, s.47–52.
  • Catania L., Grassi S., and Ravazzolo F. Predicting the volatility of cryptocurrency time-series // Mathematical and Statistical Methods for Actuarial Sciences and Finance, 2018, pp.203–207.
  • Azari A. Bitcoin price prediction: An ARIMA approach. arXiv preprint arXiv:1904.05315. 2019.
  • Alessandretti L., ElBahrawy A., Aiello L.M., and Baronchelli A. Anticipating cryptocurrency prices using machine learning // Complexity, 2018, vol.2018, Article ID 8983590, 16 p. https://doi.org/10.1155/2018/8983590
  • Dingli A. and Fournier K. Financial time series forecasting – A deep learning approach // International Journal of Machine Learning and Computing, 2017, vol.7, pp.118–122.
  • Romeu P., Zamora-Martínez F., Botella-Rocamora P., Pardo J. Stacked denoising auto-encoders for short-term time series forecasting. In: Koprinkova-Hristova P., Mladenov V., Kasabov N. (eds) Artificial Neural Networks. Springer Series in Bio-/Neuroinformatics, Springer, Cham, 2015, vol.4. pp.463–486.
  • Bao W., Yue J., and Rao Y. A deep learning framework for financial time series using stacked autoencoders and long-short term memory // PloS One, 2017, vol.12, no.7, e0180944.
  • Nakamoto S. Bitcoin: A peer-to-peer electronic cash system. 2009. https://bitcoin.org/bitcoin.pdf.
  • Dyhrberg A.H. Bitcoin, gold and the dollar – A GARCH volatility analysis // Finance Research Letters, 2016, vol.16, pp.85–92.
  • Kristjanpoller W., and Minutolo M.C. A hybrid volatility forecasting framework integrating GARCH, artificial neural network, technical analysis and principal components analysis // Expert Systems with Applications, 2018, vol.109, pp.1–11.
  • Mallqui D.C., and Fernandes R.A. Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques // Applied Soft Computing, 2019, vol.75, pp.596–606.
  • Lahmiri S., and Bekiros S. Cryptocurrency forecasting with deep learning chaotic neural networks // Chaos, Solitons & Fractals, 2019, vol.118, pp.35–40.
  • Pichl L., and Kaizoji T. Volatility analysis of Bitcoin price time series // Quantitative Finance and Economics, 2017, vol.1, no.4, pp.474–485. doi: 10.3934/QFE.2017.4.474.
  • Rebane J., Karlsson I., Denic S., and Papapetrou P. Seq2Seq RNNs and ARIMA models for cryptocurrency prediction: A comparative study / Proc. of SIGKDD Workshop on Fintech, 2018, pp.1–5.
  • McNally S., Roche J., and Caton S. Predicting the price of Bitcoin using Machine Learning / 26th IEEE Euromicro International Conference on Parallel, Distributed and Network-based Processing, 2018, pp.339–343.
  • Jang H., and Lee J. An Empirical Study on Modeling and Prediction of Bitcoin Prices with Bayesian Neural Networks Based on Blockchain Information // IEEE Access, 2017, vol.6, pp.5427–5437.
  • Madan I., Saluja S., and Zhao A. Automated bitcoin trading via machine learning algorithms, 2015. Dept. Comput. Sci., Stanford Univ., Stanford, CA, USA, Tech. Rep.,
    URL: http://cs229. stanford. edu/proj2014/Isaac% 20Madan, 20.
  • Indera N. I., Yassin I. M., Zabidi A., and Rizman Z. I. Non-linear autoregressive with exogeneous input (NARX) Bitcoin price prediction model using PSO-optimized parameters and moving average technical indicators // Journal of Fundamental and Applied Sciences, 2017, vol.9, no.3S, pp.791–808.
  • Sin E., and Wang L. Bitcoin price prediction using ensembles of neural networks / 13th IEEE International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery, 2017, pp.666–671.
  • Karalevicius V., Degrande N., & De Weerdt J. Using sentiment analysis to predict interday Bitcoin price movements // The Journal of Risk Finance, 2018, vol.19, no.1, pp.56–75.
  • Kodama O., Pichl L., and Kaizoji T. Regime change and trend prediction for Bitcoin time series data / CBU International Conference Proceedings, 2017, vol.5, pp.384–388.
  • Hochreiter S., and Schmidhuber J. Long short-term memory // Neural computation, 1997, vol.9(8), pp.1735–1780.
  • Srivastava N., Hinton G., Krizhevsky A., Sutskever I., and Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting // The Journal of Machine Learning Research, 2014, vol.15, no.1, pp.1929–1958.