پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 938 |
| تعداد مقالات | 7,696 |
| تعداد مشاهده مقاله | 12,622,293 |
| تعداد دریافت فایل اصل مقاله | 8,985,857 |
مقایسه عملکرد سیستم های معاملات الگوریتمی مبتنی بر یادگیری ماشین در بازار رمز ارزها | ||
| راهبرد مدیریت مالی | ||
| مقاله 8، دوره 12، شماره 1 - شماره پیاپی 44، فروردین 1403، صفحه 161-190 اصل مقاله (913.11 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jfm.2024.41815.2742 | ||
| نویسندگان | ||
| عماد کوشا1؛ محسن صیقلی* 2؛ ابراهیم عباسی3 | ||
| 1دانشجوی دکتری مهندسی مالی، گروه مدیریت مالی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران | ||
| 2استادیار، گروه مدیریت، دانشکده مدیریت، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران | ||
| 3استاد، گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران | ||
| چکیده | ||
| هدف از این پژوهش استفاده از مدل یادگیری جمعی برای ترکیب پیش‌بینی های مدلهای جنگل تصادفی، حافظه طولانی کوتاه‌مدت و شبکه عصبی بازگشتی جهت ارائه یک سیستم معاملاتی الگوریتمی مبتنی بر آن می‌باشد. در این پژوهش یک مدل پیش‌بینی مبتنی بر مدل یادگیری ماشین جمعی ارائه شده است و عملکرد آن با هر یک از زیر الگوریتم ها و داده‌های واقعی مقایسه می‌شود. در این پژوهش در مرحله اول با استفاده از سه مدل یادگیری ماشین، سقف و کف قیمت بیت‌کوین پیش‌بینی شده است. در مرحله دوم، خروجی‌های مدل‌ها به عنوان متغیرهای ویژگی به مدلهای XGboost و LightGBM جهت پیش‌بینی سقف و کف‌ها ارائه شده است. سپس در مرحله سوم خروجی‌های مرحله دوم، با الگوی دسته بندی رای گیری جمعی برای پیش‌بینی سقف و کف بعدی، ترکیب میشوند. داده‌های سقف و کف قیمت بیت‌کوین در تایم فریم 1 ساعته از تاریخ 1/1/2018 الی آخر 30/6/2022 به عنوان متغیر هدف و 31 اندیکاتور تحلیل تکنیکال به عنوان متغیر ویژگی برای سه مدل در مرحله اول استفاده شده‌اند. در نهایت مقادیر پیش‌بینی و سیستم های معاملاتی الگوریتمی با داده‌های واقعی برای 3 مدل و مدل یادگیری جمعی معرفی شده مورد ارزیابی و مقایسه قرار گرفتند. نتایج به دست آمده نشان‌دهنده ارتقا عملکرد دقت و صحت مدل یادگیری جمعی پیشنهاد شده در پیش‌بینی سقف و کف بیت‌کوین و همچنین، عملکرد بهتر آن نسبت به زیر الگوریتم‌ها می‌باشد | ||
| کلیدواژه‌ها | ||
| معاملات الگوریتمی؛ پیش بینی سقف و کف قیمت؛ یادگیری ماشین جمعی؛ XGBoost؛ LightGBM | ||
| عنوان مقاله [English] | ||
| Comparing the Performance of Algorithmic Trading Systems based on Machine Learning in the Cryptocurrency Market | ||
| نویسندگان [English] | ||
| Emad Koosha1؛ Mohsen Seighaly2؛ Ebrahim Abbasi3 | ||
| 1PhD student in financial engineering, Department of Financial Management, Islamic Azad University, Qazvin branch, Qazvin, Iran | ||
| 2Assistant Professor, Department of Management, Faculty of Management, Islamic Azad University, Qazvin Branch, Qazvin, Iran | ||
| 3Professor, Department of Management, Faculty of Social Sciences and Economics, AlZahra University, Tehran, Iran. | ||
| چکیده [English] | ||
| The purpose of this research is to use the ensemble learning model to combine the predictions of random forest models, short-term long memory and recurrent neural network to provide an algorithmic trading system based on its. In this research, a prediction model based on ensemble machine learning model is presented and its performance is compared with each of the sub-algorithms and real data. In this research, in the first stage, using three machine learning models, the price top and bottom of Bitcoin have been predicted. In the second stage, the outputs of the models are presented as feature variables to the XGboost and LightGBM models to predict the roof and floors. Then, in the third stage, the outputs of the second stage are combined with the collective voting classification pattern to predict the next ceiling and floor. Bitcoin price top and bottom data in the 1-hour time frame from 1/1/2018 to the end of 6/30/2022 have been used as target variables and 31 technical analysis indicators as feature variables for three models in the first stage. Finally, forecast values and algorithmic trading systems were evaluated and compared with real data for 3 models and the introduced ensemble learning model. The obtained results show the improvement of the precision and accuracy of the proposed collective learning model in predicting the top and bottom of Bitcoin, as well as its better performance than the sub-algorithms. | ||
| کلیدواژه‌ها [English] | ||
| Algorithmic trading, Top and bottom price prediction, Ensemble machine learning, XGBoost, LightGBM | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
Aggarwal, D., Chandrasekaran, S., & Annamalai, B. (2020). A complete empirical ensemble mode decomposition and support vector machine-based approach to predict Bitcoin prices. Journal of Behavioral and Experimental Finance, 27, Article 100335. https://doi.org/10.1016/j.jbef.2020.100335
Aghakhani, K., & Karimi, A. (2014). Investigating methods for predicting stock prices in the stock market and introducing an optimized method. In National Conference on New Achievements in Engineering and Basic Sciences (pp. 1-7). Ardabil. (in Persian)
Ampomah, E., Qin, Z., & Nyame, G. (2020). Evaluation of tree-based ensemble machine learning models in predicting stock price direction of movement. Information, 11(6), 332. https://doi.org/10.3390/info11060332
Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. (2018). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, Article 102-117. https://doi.org/10.1016/j.najef.2018.06.013
Faghihi Nezhad, M., & Minaei Bidgoli, B. (2021). Development of an ensemble learning-based intelligent model for stock market forecasting. Scientia Iranica, 28(1), 395-411. https://doi.org/10.24200/sci.2019.50353.1654
Gupta, A., & Nain, H. (2020). Bitcoin price prediction using time series analysis and machine learning techniques. In A. Das, K. Deep, A. Tiwari, R. Kumar, & R. Bansal (Eds.), Intelligent Communication, Control and Devices (pp. 533-542). Springer. https://doi.org/10.1007/978-981-15-7106-0_54
Jiang, M., Liu, J., Zhang, L., & Liu, C. (2020). An improved stacking framework for stock index prediction by leveraging tree-based ensemble models and deep learning algorithms. Physica A: Statistical Mechanics and its Applications, 541, Article 123390.
Li, Y., & Pan, Y. (2022). A novel ensemble deep learning model for stock prediction based on stock prices and news. International Journal of Data Science and Analytics, 13(1), 139-149. https://doi.org/10.1007/s41060-021-00279-9
Mallqui, D. C. A., & Fernandes, R. A. S. (2019). Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques. Applied Soft Computing, 75, 596-606. https://doi.org/10.1016/j.asoc.2018.11.038
Mohammadi Almoti, M., Haddadi, M. R., & Nadimi, Y. (2018). Modeling and evaluating different prediction models: Short-term memory, long-term memory, Markov switching, and hyperbolic tangent in predicting crude oil price fluctuations of OPEC. Financial Engineering and Securities Management Quarterly, 9(34), 249-272. (in Persian)
Moshari, M., et al. (2019). Designing a combined intelligent model for predicting golden points of stock prices. Investment Knowledge Quarterly, 8(29), 45-65. (in Persian)
Mousavi, S. O. (2019). Algorithmic Trading Technology: New Solutions in the Iranian Capital Market. Challenge Publications. (in Persian)
Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. Decentralized Business Review, 21260.
Nti, I. K., Adekoya, A. F., & Weyori, B. A. (2019). Random forest-based feature selection of macroeconomic variables for stock market prediction. American Journal of Applied Sciences, 16(7), 200-212. https://doi.org/10.3844/ajassp.2019.200.212
Nti, I. K., Adekoya, A. F., & Weyori, B. A. (2020). A comprehensive evaluation of ensemble learning for stock-market prediction. Journal of Big Data, 7(1), Article 20. https://doi.org/10.1186/s40537-020-00299-5
Shirzoor Aliabadi, Z., & Ramazanzadeh, H. (2020). Bitcoin and its future prediction. Sixth International Conference on Industrial Engineering and Systems, Mashhad. (in Persian)
Tehrani, E., & Esmaili, A. (2012). Investigating the effect of using important technical analysis indicators on short-term investors' returns in the Tehran Stock Exchange. Financial Knowledge-Based Securities Analysis, 5(13), 21-33. (in Persian)
Yun, K. K., Yoon, S. W., & Won, D. (2021). Prediction of stock price direction using a hybrid GA-XGBoost algorithm with a three-stage feature engineering process. Expert Systems with Applications, 186, Article 115716. https://doi.org/10.1016/j.eswa.2021.115716
Yang, Y., Wu, Y., Wang, P., & Jiali, X. (2021). Stock price prediction based on XGBoost and LightGBM. E3S Web of Conferences, 275, Article 01040. https://doi.org/10.1051/e3sconf/202127501040 | ||
|
آمار تعداد مشاهده مقاله: 374 تعداد دریافت فایل اصل مقاله: 266 |
||
