تجارت الگوریتمی مبتنی بر شبکه های عصبی تصادفی برای بازار cryptocurrency

در طول تاریخ امور مالی مدرن ، ابزارهای مالی بسیار کمی به اندازه ارزهای رمزنگاری شده بی ثبات بوده اند. چشم اندازهای بلند مدت ارزهای رمزنگاری نامشخص است. با این حال ، با بهره گیری از پیشرفت های اخیر در شبکه های عصبی و نوسانات ، ما نشان می دهیم که الگوریتم های معاملاتی تقویت شده توسط پیش بینی قیمت های کوتاه مدت قابل بانک هستند. الگوریتم ها و شاخص های تجاری سنتی اغلب بر اساس میانگین استراتژی های معکوس است که از پیش بینی قیمت استفاده نمی کنند. علاوه بر این ، مدلهای قطعی حتی پس از درج پیش بینی قیمت نمی توانند نوسانات بازار را ضبط کنند. بنابراین با انگیزه این موضوعات ، ما تصادفی را در مدل های پیش بینی قیمت برای شبیه سازی رفتار تصادفی ادغام می کنیم. در این مقاله استراتژی های معاملاتی ترکیبی ارائه شده است که از میانگین استراتژی های معکوس سنتی در کنار پیش بینی قیمت قوی از شبکه های عصبی تصادفی استفاده می کند. ما شبکه های عصبی تصادفی را برای پیش بینی قیمت ها بر اساس داده های بازار و احساسات اجتماعی آموزش دادیم. Backtesting بر روی سه ارز رمزنگاری انجام شد: بیت کوین ، اتریوم و Litecoin ، بیش از 600 روز از آگوست 2017 تا دسامبر 2019برمی گردد

1. معرفی

با پیشرفت در فناوری محاسبات و شبکه سازی ، شاهد افزایش شدید ارزهای دیجیتال و کاهش استفاده از ارزهای سنتی هستیم. هنگام انتخاب ارز برای تجارت ، مهمترین عامل ارزش ارز است. ارزش یک ارز سنتی توسط بازار تعیین می شود ، که آن را از ثبات و قدرت یک آژانس حاکمیت مرکزی سوق می دهد. با این حال ، سوء مدیریت سیستم های مالی توسط چنین آژانس های مرکزی می تواند باعث کاهش ارزش ارز شود [1]. در مقابل ، ارزهای دیجیتالی عاری از چنین تأثیرات مضر هستند و بنابراین ارزش آنها صرفاً به قوام و امنیت فناوری اساسی بستگی دارد. اما تمام آنچه می درخشد طلا نیست و ارزهای دیجیتال نیز نقص های خود را در قالب هزینه های دو برابر و دستکاری داده های معامله دارند.

از فناوری blockchain می توان برای غلبه بر موضوعات فوق الذکر در سیستم های رمزنگاری فعلی استفاده کرد. این داده ها را به صورت غیرقابل تغییر برای ایجاد عدم تمرکز ، ذخیره می کند ، که به نوبه خود امنیت ، اعتماد و شفافیت را در بین همسالان در شبکه فراهم می کند [2،3،4]. ارزهای رمزپایه از رمزهای رمزنگاری پیچیده برای انجام معاملات مالی استفاده می کنند که بر خلاف ارزهای فیات ، سیستم را در برابر فساد قوی می کند. همچنین به دلیل تأیید همسالان ، مشکل دو برابر را برطرف می کند. با تأیید در مورد معامله از همسالان ، سهمیه برقرار می شود و معامله تغییر ناپذیر می شود.

همانطور که قبلاً بحث کردیم ، ارزهای رمزنگاری شده توسط هیچ موسسه ای واحد پشتیبانی نمی شوند. بنابراین ، ارزش آنها به شدت به افکار عمومی متکی است و چگونه مردم آنها را به عنوان دارایی می بینند [5،6]. مردم تمایل دارند اعتقادات و احساسات خود را نسبت به سیستم عامل های رسانه های اجتماعی به اشتراک بگذارند و بنابراین ، از این طریق می توان با الگوریتم های یادگیری ماشین برای پیش بینی قیمت ارزهای رمزپایه مورد استفاده قرار گرفت [7،8،9،10]. مک کوی و همکاران.[11] از توییت های انگلیسی و ژاپنی در مورد ارزهای رمزنگاری شده برای ایجاد پیش بینی کننده قیمت استفاده کرد. آنها نشان دادند که تجزیه و تحلیل توییت در پیش بینی کننده های خود به آنها کمک می کند تا سود مناسبی ایجاد کنند. محققان مختلف تکنیک های مختلفی را برای تجارت کالاها مورد بررسی قرار داده اند. با این حال ، کار تحقیقاتی بسیار کمی در تجارت الگوریتمی ارزهای رمزنگاری شده با راه حل هایی که تجارت ادغام و همچنین مقابله با نوسانات بالای بازار است ، انجام شده است [12].

دارایی های مالی سنتی در مقایسه با ارزهای رمزپایه بسیار پایدار هستند. بنابراین ، سرمایه گذاران می توانند به راحتی ارزش مورد انتظار دارایی های سنتی مانند طلا ، اوراق قرضه و حتی بازار سهام را استنباط کنند. از شکل 1 مشخص است که نوسانات قیمت بیت کوین در مقایسه با طلا و S& P 500 از بالایی برخوردار است. یکی از دلایل اصلی چنین بی ثباتی بالا عدم قطعیت پیرامون ارزش آینده مورد انتظار ، مقررات دولت و احساسات اجتماعی است [13، 14]Mokni و همکاران.[13] اثرات عدم اطمینان سیاست اقتصادی بر نوسانات بیت کوین را در شرایط مختلف بازار بررسی کرد. آنها نشان دادند که تلفات در آزمون Multiale ارتباط قابل توجه بین عدم اطمینان سیاست اقتصادی و بیت کوین را تشریح می کند. لیو و همکاران.[14] نشان داد که در کشورهایی که دولت های آنها ارزهای رمزنگاری شده را به عنوان یک واسطه مبادله می دانند ، ارتباطات محکمی بین بازارهای رمزنگاری و بازارهای مالی وجود دارد. اگرچه تحقیقات قبلی از شبکه های عصبی برای پیش بینی قیمت ارزهای رمزنگاری شده استفاده می کند ، مسئله نوسانات بیش از حد زیاد برطرف نمی شود. این مقاله نحوه رسیدگی به نوسانات را با استفاده از تصادفی در شبکه های عصبی نشان می دهد. از این رو ، ما نشان می دهیم که چگونه می توان با استفاده از شبکه های عصبی تصادفی در الگوریتم های معاملاتی ، تحت عدم اطمینان بالا تصمیم گرفت.

1. 1انگیزه

ارزهای رمزنگاری شده عمدتاً به عنوان وسیله ای برای معامله استفاده می شوند. با این حال، در دهه گذشته، افزایش قابل توجهی در سرمایه گذارانی وجود داشته است که معتقدند ارزهای دیجیتال به طور گسترده مورد استفاده قرار می گیرند [12]. بر اساس گزارش های مرکب نرخ رشد سالانه، تا پایان سال 2024، پیش بینی می شود که ارزش بازار ارزهای دیجیتال 11. 9٪ افزایش یابد [15]. در حال حاضر، بازار ارزهای دیجیتال به دلیل وابستگی قابل توجهی به احساسات اجتماعی برای ارزیابی ارزش بازار، یک بازار بسیار نوسان است [16]. ارزش ارزهای دیجیتال اصلی به عوامل بسیاری مانند افکار عمومی، قانونگذاری دولتی [13،17]، نوسانات و قابلیت اعتماد بستگی دارد. بوری و همکاران[17] از یک متریک مبتنی بر روندهای Googe برای سنجش جنگ تجاری ایالات متحده و چین استفاده کرد که نشان داد این معیار به بهبود دقت برای انواع مختلف مدل های تصادفی جنگل کمک می کند. برای معامله موثر ارزهای دیجیتال، زمان بندی بازار مهمتر از تجزیه و تحلیل تخصیص دارایی است که در استراتژی های سنتی انجام می شود. این به این دلیل است که سیگنال های ورود و خروج معاملات به درک بازار در هر زمان معین بستگی دارد. با انگیزه پتانسیل ایجاد ارزش با بهره گیری از ناکارآمدی در احساسات اجتماعی، ما چارچوبی برای تجارت ارزهای دیجیتال با استفاده از استراتژی های معاملاتی الگوریتمی ارائه می کنیم که توسط پیش بینی های قوی از شبکه های عصبی تصادفی پیش می روند.

1. 2. مشارکت

ما از شبکه های عصبی تصادفی بر اساس پیش بینی قیمت استفاده می کنیم که سپس با الگوریتم های معاملاتی پیشنهادی خط لوله می شوند.

ما مکانیسم هایی را برای ادغام پیش بینی قیمت از شبکه های عصبی تصادفی با الگوریتم های تجاری معروف ارائه می کنیم.

1. 3. سازمان

مقاله به روش زیر سازماندهی شده است. بخش 2 کار قبلی در زمینه تجارت مبتنی بر یادگیری ماشینی را تشریح می کند. بخش 3 پیشینه شبکه های عصبی تصادفی و کاربرد آنها در پیش بینی قیمت را نشان می دهد. در بخش 4، فرمول ریاضی الگوریتم های معاملاتی و جزئیات تجربی آنها را بیان می کنیم. بخش 5 نتایج بک تست الگوریتم های معاملاتی را مورد بحث قرار می دهد و در نهایت، بخش 6 مقاله را به پایان می رساند.

2. کارهای مرتبط

گارسیا و همکاران.[18] تجزیه و تحلیل بیت کوین ، یک رمزنگاری بسیار بی ثبات را انجام داد. تجزیه و تحلیل آنها شامل اطلاعات بازار مانند حجم معاملات و قیمت ها است. آنها همچنین از سیگنال های اجتماعی مانند حجم کلمه به دهان ، قطبش نظر در توییت ها و ظرفیت عاطفی در طی سه سال استفاده کردند. آنها نتیجه گرفتند که قطبش نظر مهمترین عامل تعیین ارزش ارز است ، که از نزدیک با حجم مبادله و ارزش عاطفی دنبال می شود. بر اساس تجزیه و تحلیل آنها ، آنها یک استراتژی معاملاتی را ابداع کردند که روزانه 0. 3 ٪ بازده را ارائه می داد.

در طی دو سال گذشته ، الگوریتم های یادگیری تقویت شده با سیستم های یادگیری عمیق دقیق پیشرفت چشمگیری داشته است. دنگ و همکاران.[19] برای تجزیه و تحلیل سیگنال های مالی از یک شبکه عصبی مکرر عمیق استفاده کرد. آنها یادگیری عمیق و یادگیری تقویت را برای ایجاد یک سیستم تجارت الگوریتمی قوی ترکیب کردند. یک شبکه عصبی مکرر شرایط پویا بازار را برای اطلاعات مهم انتزاعی حس می کند. سپس سیستم یادگیری تقویت سعی می کند بر اساس خروجی شبکه عصبی تصمیمات تجاری را اتخاذ کند. آنها اثربخشی سیستم خود را در بازارهای آینده سهام و کالاها تأیید کردند.

ناکونا و همکاران.[20] تجارت خودکار داخل دهی را با استفاده از شبکه های عصبی مصنوعی شبیه سازی کرد. آنها با استفاده از 15 دقیقه از داده های دوره ای بازار ، آنها سیگنال های بازار را مورد تجزیه و تحلیل قرار دادند. با توجه به هزینه های اعدام معاملات ، آنها نشان دادند که رویکرد آنها به طور قابل توجهی بر عملکرد یک استراتژی خرید و نگهدارنده برتری دارد. آنها همچنین برای تأیید استحکام رویکرد خود ، تجزیه و تحلیل حساسیت را انجام دادند. علاوه بر این ، آنها استراتژی هایی را ابداع کردند که شامل موقعیت های کوتاه با بهره گیری از بازار آینده ، CBOE Futures Exchange بود.

فیل و همکاران.[21] یک استراتژی معاملاتی جفت را بر اساس میانگین بازده قیمت ها پیشنهاد کرد. روش ادغام برای 26 ارز رمزنگاری شده مختلف در 5 دقیقه ، 1 ساعت و فرکانس های روزانه اعمال شد. آنها مشاهده کردند که تجارت با فرکانس بالا در مقایسه با استراتژی های برگزاری کوتاه مدت و بلند مدت سودآورتر است. متداول ترین روش فاصله روزانه ماهانه 0. 07 ٪ بازگشت. این برای فرکانس 5 دقیقه به ماهانه 11. 61 ٪ افزایش یافت. نسبت های شارپ برای مدل های 5 دقیقه ، 1 ساعت و روزانه آنها 19 ، 5. 1 و 1. 1 بود.

تجزیه و تحلیل احساسات به طور گسترده ای برای برآورد افکار عمومی استفاده شده است. Coliai و همکاران.[22] الگوریتم های یادگیری نظارت شده را برای انجام تجزیه و تحلیل احساسات در BTC بر اساس داده های توییتر با استفاده از Tweepy در جستجوی کلمات کلیدی ارائه داد. رویکرد آنها منجر به دقت پیش بینی ساعت به ساعت و روزانه بیش از 90 ٪ شد. آنها نشان دادند که احساسات عمومی در تعیین ارزش روزانه ارزهای رمزپایه از اهمیت آماری برخوردار است. فیستر و همکاران.[23] یک شبکه مبتنی بر LSTM را برای تجارت خودکار پیشنهاد داد و رویکرد پیشنهادی با استراتژی های معاملاتی منفعل و مبتنی بر قانون و همچنین با طبقه بندی کننده های یادگیری ماشین مقایسه شد. رویکرد LSTM از سایر استراتژی های معاملاتی در مورد سهام تراشه های آبی مانند BMW هنگامی که در داده های 2010-2018 استفاده می شود ، بهتر عمل می کند. آنها اظهار داشتند که بورس سهام به طور ضمنی وابستگی های بلند مدت را تحکیم می کند ، که باید قبل از انتخاب یک استراتژی معاملاتی در نظر گرفته شود. برای ارزیابی تجربی اثربخشی هر استراتژی تجارت در بازارهای بسیار بی ثبات ، آنها یک سیستم معاملاتی مکانیکی را توسعه دادند تا ارزیابی عادلانه استراتژی ها را انجام دهند.

مدلهای مبتنی بر انرژی موفق شده اند وظایف توصیه ای را برطرف کنند و توانایی روز افزون در اجرای شبیه سازی های مبتنی بر مدل مونت-کارلو را به راحتی انجام داده اند. Takeuchi و همکاران.[24] یک مدل AutoEncoder متشکل از دستگاه های Boltzma محدود انباشته ، که برای استخراج ویژگی های مهم از داده های بازار تاریخی استفاده شده است ، پیشنهاد کرد. مدل آنها اثر حرکت در قیمت سهام را کشف کرد. آنها یک استراتژی معاملاتی را ابداع کردند که بازده سالانه 45. 93 ٪ را هنگام پشتوانه در بورس سهام از سال 1990 تا 2009 به همراه داشت. یونگ و همکاران.[25] از یک شبکه عصبی عمیق برای پیش بینی قیمت شاخص مبادله سنگاپور با استفاده از شاخص زمان FTSE Straits استفاده کرد. این نتایج پیش بینی شده به همراه قوانین مشخص شده و ورود و خروج استفاده شده است. این مدل با استفاده از RMSE و MAPE ، با داشتن ضریب سود 18. 67 و نسبت شارپ 5. 34 در شبیه سازی مورد بررسی قرار گرفت. حاشیه سود کلی در معاملات 70. 83 ٪ مشاهده شد.

زان و همکاران.[26] از یک ماژول پیش بینی شده مبتنی بر LSTM انباشته شده متشکل از 256 واحد پنهان در یک مجموعه داده فارکس استفاده کرد. این مدل از Order Book برای نشان دادن حجم پیشنهادات استفاده کرده و در 100 معاملات قبلی سؤال می کند. نویسنده با استفاده از CNN ویژگی هایی را استخراج کرده و آنها را با قیمت روزانه ترکیب کرده است تا ویژگی های مختلف مقیاس زمانی را ایجاد کند. از سه واحد LSTM برای یادگیری ویژگی های مقیاس زمانی متعدد وابسته به زمان به دست آمده از مرحله قبل استفاده شد. استفان و همکاران.[27] از معادلات دیفرانسیل تصادفی با سر و صدا استفاده می کرد و از حرکت هندسی براون برای مدل سازی نرخ رمزنگاری و فرآیند هندسی اورشتای ن-اولنبک (GOU) برای مدل سازی فعالیت های رسانه های اجتماعی و حجم معاملات ارزهای رمزنگاری شده استفاده می کرد. نویسندگان متغیرهای تصادفی را در معادلات دیفرانسیل تصادفی معرفی کردند و فعالیتهای رسانه های اجتماعی و حجم معاملات روزانه ارزهای رمزپایه را به عنوان فرآیند GOU الگوبرداری کردند. نویسندگان مدل ها را در محیط های شبیه سازی شده و همچنین در دنیای واقعی آزمایش کردند تا استحکام مدل خود را آزمایش کنند.

وونگ و همکاران.[28] نشان داد که میزان همگرایی به حداقل جهانی برای شبکه عصبی تصادفی آنها (دستگاه انتشار) بهتر از میزان همگرایی دستگاههای بولتزمن با تنظیم سه دستگاه انتشار همراه است که هر کدام یکی از فعالیتهای زیر را انجام می دهند: آموزش، یادگیری ، و تنظیم وزن-همه به طور همزمان اتفاق می افتد. فلورنسا و همکاران.[29] یک شبکه عصبی تصادفی را ارائه داد که از واحدهای تصادفی و یک شبکه عصبی تغذیه ای تشکیل شده است. روش ادغام آنها ادغام چند برابر است. آنها از این نوع معماری به عنوان یک ساختمان ساختمان برای یادگیری مجموعه ای از مهارت های متنوع برای انجام یادگیری تقویت استفاده کردند. آنها نتیجه گرفتند که استفاده از شبکه عصبی تصادفی می تواند مجموعه ای از مهارت هایی را که یک مدل به دست می آورد ، به طور قابل توجهی بهبود بخشد. جدول 1 مقایسه نسبی کار پیشرفته در زمینه تجارت ارزهای رمزنگاری شده با رویکرد پیشنهادی را نشان می دهد.

3. زمینه: شبکه های عصبی تصادفی

در بخش زیر مشکل نوسانات بالای بازار و چگونگی تأثیر آن بر روند پیش بینی قیمت ارزهای مختلف رمزنگاری شده است. اول ، ما فرآیندهای تصادفی با بی نظمی قیمت را در بازار cryptocurrency ارائه می دهیم. علاوه بر این ، ما مکانیسم ادغام تصادفی را در فعال سازی شبکه های عصبی برای شبیه سازی نوسانات بازار و پیشنهاد معماری و فرمولاسیون های ریاضی برای مکانیسم توصیف شده معرفی می کنیم. سرانجام ، یک ماژول تصادفی کلی که لایه های مختلف می توانند در شبکه های عصبی از آن استفاده کنند ، همراه با استفاده از آن در شبکه های خوراک ارسال شده است.

3. 1نیاز به تصادفی

متغیرهایی که بر نوسانات قیمت دارایی های بازار تأثیر می گذارد ، مانند چشم انداز مالی ، نرخ تورم ، سیاست و تنظیم و روانشناسی انسانی ، همه رفتار نمایش ناپایدار هستند. مرجع.[30] ، که ، در صورت جمع شدن ، بر اساس اطلاعات موجود در حال حاضر توسط ما قابل درک نیست. به طور کلی ، با توجه به مجموعه اطلاعات کامل ، تمام فرایندها را می توان قطعی دانست. بازار cryptocurrency ذاتاً تصادفی نیست. با این حال ، از آنجا که تمام اطلاعات ضروری در مورد دارایی در دسترس نیست ، برای سیستم های ما به اندازه کافی غیرقابل توصیف می شود. بنابراین ، رویکردهای قطعی برای این مشکل مناسب نیستند ، بنابراین ما به یک دیدگاه تصادفی نیاز داریم. ما سیستم را به عنوان مزایای نامنظم از مدل سازی آن با استفاده از تصادفی تعریف می کنیم.

3. 2تصادفی در شبکه های عصبی

برای مدل سازی رفتار تصادفی در تجارت ، ما شبکه های عصبی تصادفی را در الگوریتم های تجاری سنتی گنجانیده ایم. قبل از ترکیب فاکتور تصادفی ، ما به روشی برای استخراج اطلاعات مهم در بازار و به دست آوردن وابستگی متقابل بین آمار بازار و گرایش های اجتماعی نیاز داریم. شبکه های عصبی به طرز چشمگیری مناسب و به طور گسترده ای از عملکردهای عملکردی برای یافتن وابستگی بین متغیرها هستند. دو وسیله برای ترکیب تصادفی در شبکه های عصبی وجود دارد. برای به دست آوردن نوسانات تصادفی ، مورد اولیه تغییر وزن به میزان کوچک است. مورد دوم این است که در زمان اجرا تصادفی به فعال سازی ها اضافه شود. روش اول ارجح نیست ، زیرا به طور مستقیم وزن شبکه عصبی را آشفته می کند. این آشفتگی در وزنهای یک شبکه عصبی می تواند بر یادگیری آن تأثیر بگذارد و همچنین با ارزیابی ما ، خطا به تدریج افزایش می یابد. به نظر می رسد دومی مناسب تر است زیرا تغییرات تصادفی به طور مستقیم بر وزن تأثیر نمی گذارد و از این رو فقط تغییرات دقیقه ای از طریق فعال سازی ها به وجود می آید.

در کار قبلی ما [31] ، ما فرمولاسیون زیر را ایجاد کردیم که باعث ایجاد تصادفی در لایه های شبکه های عصبی عمیق می شود:

جایی که h i نمایانگر فعال شدن لایه در مرحله زمانی است. γ به عنوان عامل آشفتگی تعریف می شود که میزان تصادفی ناشی از لایه را تنظیم می کند. ξ یک متغیر تصادفی (مستقل و یکسان توزیع شده) است که تصادفی در فعال سازی ها تزریق می کند. و r e a c t i o n یک عملیات تعریف شده توسط کاربر است که چگونگی محاسبه فعال شدن زمان بندی قبلی ، فعال سازی های فعلی را محاسبه می کند. سرانجام ، لایه مقدار فعال سازی S I را که به ماژول بعدی در خط لوله منتقل می شود ، خروجی می کند.

بازار مالی از املاک مارکوف پیروی می کند که ارزش مشروط قیمت در مرحله زمان آینده فقط به قیمت در مرحله فعلی بستگی دارد [32]. کوکی و همکاران.[32] نشان داد که مدل های پنهان مارکوف اغلب پیش بینی های بیت کوین ، اتریوم و موج دار را بهبود می بخشند. بنابراین ، این یافته ها این واقعیت را تقویت می کند که بازارهای مالی و رمزنگاری از دارایی مارکوف پیروی می کنند. بنابراین ، فقط دو پارامتر H T و S T - 1 برای تعیین عملکرد واکنش استفاده شد. این بدان معنی است که توزیع قبلی S T - 1 و توزیع فعلی S T مستقل از سایر توزیع های گذشته است. بنابراین ، ما عملکرد r e a c t i o n را به عنوان تفاوت بین فعال سازی های فعلی و قبلی مدل می کنیم:

شکل 2 اجزای ماژول تصادفی را نشان می دهد. ورودی به مؤلفه r e a c t i o n ، فعال سازی ویژگی های زمان فعلی (H T) و فعال سازی تصادفی از زمان بندی قبلی (S T - 1) است ، بنابراین یک پل بین دو زمان متوالی ایجاد می کند. این مهمترین مؤلفه ماژول تصادفی است زیرا وظیفه مدل سازی حرکت کوتاه مدت بازار را بر عهده دارد. عملکرد r e a c t i o n خود می تواند یک شبکه عصبی پیچیده باشد. با این حال ، نتایج تجربی نشان می دهد که حتی یک عملیات تفریق می تواند نتایج مؤثر داشته باشد [31] و بنابراین ، ما از آن در آزمایشات خود استفاده کرده ایم. شکل 3 جریان فعال سازی های تصادفی را در طول زمان از طریق یک ماژول تصادفی در یک Perceptron چند لایه استاندارد (MLP) توصیف می کند. ماژول تصادفی همچنین می تواند به طور مشابه با تغییرات مختلف شبکه های عصبی مانند LSTM و غیره یکپارچه شود.

الگوریتم 1 ادغام ماژول تصادفی با یک Perceptron چند لایه را که در آن ویژگی های ورودی x t در زمان t به شبکه منتقل می شود ، توصیف می کند. یک بردار r e a c t i o n از مقادیر محاسبه شده از مرحله زمانی قبل در هر لایه محاسبه می شود.

4- تجارت الگوریتمی

مزیت استفاده از پیش بینی قیمت با یادگیری عمیق در الگوریتم های تجارت آماری این است که الگوریتم های سنتی پس از یک حرکت کوچک در بازار یا تغییر در قیمت دارایی ، سیگنال های خرید و فروش را فراخوانی می کنند. با این حال ، با پیش بینی ها ، تصمیماتی را می توان قبل از وقایع اتخاذ کرد. علاوه بر این ، شبکه های عصبی تصادفی [33] به دلیل تصادفی جزئی موجود در بازار که با استفاده از تکنیک های موجود در حال حاضر کاملاً اسیر نمی شوند ، بهتر از رویکردهای قطعی هستند [31]. بنابراین ، ما شبکه عصبی تصادفی را که قیمت های پیش بینی شده را در الگوریتم های تجاری مبتنی بر آماری استفاده می کند ، گنجانیده ایم.

4. 1گروههای بولینگر

گروههای بولینگر یک تکنیک نسبتاً محبوب است که در تجارت استفاده می شود [34،35]. آنها مبتنی بر میانگین حرکت ساده (SMA) هستند. مقدار قابل توجهی از اقدامات در قیمت ها بین باندها اتفاق می افتد [36]. دو انتهای باند بر اساس تفاوت بین انحراف استاندارد (σ) از میانگین است. ضریب ضرب که مورد استفاده قرار می گیرد 2 و دوره SMA است و دوره ای که انحراف استاندارد از آن محاسبه می شود 20 روز است. بنابراین ، باند بولینگر فوقانی 2 انحراف استاندارد بیشتر از SMA است ، در حالی که پایین پایین 2 انحراف استاندارد پایین تر از SMA است ، همانطور که در معادلات (4) و (5) نشان داده شده است. این رویکرد همچنین بینش هایی را نشان می دهد که گویی گروهها به یکدیگر نزدیک هستند ، قیمت ها دارای نوسانات کمتری هستند و ممکن است در آینده آینده تغییر ناگهانی قیمت ایجاد شود.

از نظر محبوب ، تصمیمات تجاری با بررسی روند و تفاوت قیمت با گروهها گرفته می شود. این روند به طور کلی به عنوان تفاوت بین SMA در طی 5 روز و SMA در طی 30 روز ضبط می شود. اگر روند مثبت باشد و قیمت آن بیشتر از باند بالایی بولینگر باشد ، نشان می دهد که قیمت در حال افزایش است ، بنابراین باید خریداری کنیم. اگر روند منفی باشد و قیمت پایین تر از باند پایین بولینگر باشد ، اظهار می دارد که قیمت ها کاهش می یابد و بنابراین ، ما باید بفروشیم. این تصمیمات خرید و فروش در الگوریتم های معاملاتی استاندارد با استفاده از قیمت روز جاری انجام می شود ، اما همانطور که ما از پیش بینی های شبکه عصبی تصادفی خود استفاده می کنیم ، می توانیم قبل از واکنش واقعی بازار ، سیگنال های خرید و فروش را فراخوانی کنیم. به الگوریتم 2 و شکل 4 مراجعه کنید.

4. 2تجارت جفت

معاملات جفت استراتژی است که شامل مشاهده حرکات بازار دو دارایی همبسته مثبت است [37]. در صورتی که این همبستگی به طور موقت تضعیف شود ، استراتژی معاملاتی این است که به دارایی پیش نمایش کوتاه شود و به دارایی زیربنایی بپردازد ، از این طریق حدس می زند که این همبستگی به تدریج افزایش می یابد [21،38].

توجه به این نکته حائز اهمیت است که معاملات جفت یک استراتژی معاملاتی بی طرف بازار است. موقعیت طولانی روی دارایی زیر عمل ، دلار با فروش کوتاه دارایی برتر است. به این ترتیب ، سود در فروش کوتاه و شرط بندی بر روی دارایی زیرنویس برای تثبیت مجدد و محدود کردن همبستگی گسترش می یابد. معاملات جفت استاندارد با در نظر گرفتن z c o r e (معادله (6)) از دو دارایی بازار با همبستگی مثبت انجام می شود.

در جایی که μ d i f f 5 و μ d i f f 30 میانگین تفاوت بین قیمت دو ارز در 5 روز گذشته و 30 روز به ترتیب است و σ 30 انحراف استاندارد از تفاوت در قیمت های این دو ارز بیش از 30 روز است. برای استراتژی معاملاتی جفت های پیشرفته SNN ، ما از داده های 5 روز گذشته همراه با قیمت پیش بینی شده به دست آمده از عصبی تصادفی ما برای محاسبه μ d i f f 6 استفاده می کنیم و به همین ترتیب ، μ d i f f 31 با استفاده از 30 روز گذشته محاسبه می شود و قیمت پیش بینی شده؛μ d i f f 6 و μ d i f f 31 برای محاسبه z c o r e p r e d (معادله (7)) استفاده می شود ، که برای تصمیم گیری در خرید و فروش استفاده می شود. به الگوریتم 3 و شکل 5 مراجعه کنید.

4. 3نوسان ساز عالی

نوسان ساز عالی (AO) یک شاخص بازار است که سعی می کند با مقایسه حرکات بازار اخیر با حرکات قبلی بازار ، جهت حرکت بازار را رمزگشایی کند تا مشخص کند آیا بازار صعودی است یا نزولی [39،40]. نوسان ساز عالی سیگنال های ورودی را هنگامی که حرکت بازار توسط نیروهای صعودی و سیگنال های خروج هدایت می شود ، هنگامی که حرکت بازار توسط نیروهای نزولی هدایت می شود ، می دهد [41]. یک استراتژی استاندارد AO این است که یک میانگین متحرک 5 روزه (SMA) (معادله (8)) را در نظر بگیرید و آن را از قیمت SMA 34 روزه برای به دست آوردن روند بازار (معادله (9)) تفریق کنید. اگر AO_خطبیشتر از 0 است ، یک سیگنال خرید ایجاد می شود. در غیر این صورت ، اگر AO_خطکمتر از 0 است ، یک سیگنال فروش ایجاد می شود.

در نسخه اصلاح شده AO ، ما AO را پیش بینی می کنیم_خطبا استنباط از مقدار AO TimeStep قبلی و مقدار AO پیش بینی شده Timestep فعلی. در اینجا ، S M A 5 P R E D میانگین S M A 5 و قیمت پیش بینی شده P P R E D (معادله (10)) است. به طور مشابه ، S M A 34 P R E D میانگین S M A 34 و قیمت پیش بینی شده P P R E D (معادله (11)) است. ارزش AO_خطبا استفاده از میانگین AO فعلی محاسبه می شود_خطو روز قبل مقدار مقدار ارزش (معادله (12)) ؛به الگوریتم 4 و شکل 6 مراجعه کنید.

5. نتایج پشتی

برای آزمایش استراتژی های معاملاتی ، ما در هر یک از سه ارز رمزنگاری 1000 دلار سرمایه گذاری کرده ایم: بیت کوین ، اتریوم و Litecoin. بازده سرمایه گذاری ها در جدول 2 و جدول 3 نشان داده شده است. این پول در آگوست 2017 سرمایه گذاری شده و بازده در دسامبر 2019 به دست آمده است. ما تجارت را با فرکانس پایین (روزانه) انجام داده ایم زیرا بازار بهتر در متوسط تا طولانی مدت درک می شود-فواصل دامنه نسبت به فواصل کوتاه.

5. 1پیش بینی قیمت با استفاده از شبکه های عصبی تصادفی

اولین قدم در سیستم پیشنهادی ما پیش بینی قیمت ارزها و تغذیه آنها در ماژول های تجارت الگوریتمی است. شبکه عصبی تصادفی ما از ویژگی های داده زیر با پنجره زمانی 7 روز استفاده می کند و قیمت مورد انتظار را در روز هشتم پیش بینی می کند. ویژگی های زیر هنگام طراحی سیستم پیش بینی مورد توجه قرار گرفت.

معاملات: این تعداد معاملات انجام شده در یک روز معین است. شبکه blockchain اطلاعات مربوط به کلیه معاملات انجام شده را ذخیره می کند و بنابراین ، این اطلاعات به راحتی انجام می شود. با تعداد معاملات ، ما انتظار داریم که سیستم پیش بینی نوسانات بازار را به همراه سایر ویژگی ها استنباط کند.

مشکل معدن و هشرات: ارزهای رمزنگاری شده با استفاده از مقادیر عظیمی از انرژی برای معدن و حفظ سوابق معامله ایجاد می شوند. بنابراین ، از اهمیت ویژه ای برخوردار است که امکان سنجی معدن در مورد پاداش را در نظر بگیرید.

Tweets و Google Trends: یک عامل اساسی که برای تعیین قیمت یک رمزنگاری استفاده می شود ، احساسات اجتماعی مردم در اکوسیستم تجارت است. تحقیقات نشان داده است که حجم توییت با تعداد معاملات انجام شده در یک دوره معین ارتباط دارد [42،43]. ما از Tweet Volume و Google Search Trends به عنوان ویژگی سیستم پیش بینی قیمت استفاده می کنیم.

ویژگی های مورد استفاده برای آموزش مدل شامل اندازه دفترچه cryptocurrency ، هزینه متوسط معامله ، ارزش معامله منتقل شده ، بالاترین قیمت در روز ، قیمت افتتاح روز ، تعداد آدرس های فعال ، سرمایه گذاری در بازار ، هزینه های معامله ، حجم cryptocurrency منتقل شده است، سودآوری معدن ، ارسال شده به دلار ، هزینه های پاداش ، Google Trends Daily ، میانگین قیمت در روز ، ارسال شده توسط آدرس ، میانگین زمان تأیید در روز ، کمترین قیمت در روز ، نرخ هش ، مشکل معدن ، حجم در USD ،قیمت بسته شدن روز ، تعداد معاملات و توییت ها.

5. 2. استراتژی سرمایه گذاری

الگوریتم های مبتنی بر باند بولینگر از یک استراتژی سرمایه گذاری استفاده می کنند که در صورت تولید سیگنال خرید ، تمام پول در خرید سکه ها سرمایه گذاری می شود. هر زمان که سیگنال فروش ایجاد شود ، تمام سکه های موجود فروخته می شوند و پول از آن خارج می شود. برای معاملات جفت ، ما از یک استراتژی ریسک پذیر استفاده کردیم که به شرح زیر توضیح داده شده است. با توجه به Z_نمرهفرض کنید یک سیگنال برای کوتاه شدن ارز 1 ایجاد می شود ، ما بررسی می کنیم که آیا ارز 2 روند مثبتی دارد ، و سپس نیمی از کل پول نقد را به صورت ارز سرمایه گذاری می کنیم. در غیر این صورت ، ارز 1 را به پول نقد تبدیل می کنیم. در مورد سناریوی تعارف نیز همین اتفاق می افتد. با این کار ، ما با ترکیب آن با بررسی های روند ، از یک استراتژی بی طرف بازار استفاده می کنیم.

در این مقاله ، ما نتایج به دست آمده توسط مدل های پیشرفته SNN را با نتایج به دست آمده توسط Buy and Hold ، RSI مبتنی بر استراتژی و مدل های استاندارد مقایسه می کنیم. استراتژی خرید و نگهدارنده ساده است. ما آنها را ابتدا خریداری می کنیم و روز گذشته آنها را می فروشیم. استراتژی مبتنی بر نشانگر RSI به شرح زیر است: پس از محاسبه ارزش RSI برای یک دوره زمانی خاص ، معاملات با استفاده از سیگنال های خرید و فروش انجام می شود. سیگنال خرید هنگامی که ارز فراتر از آن باشد (آستانه خرید) تولید می شود. سیگنال فروش هنگامی تولید می شود که ارز بیش از حد (آستانه فروش). RSI را می توان با استفاده از معادلات (13) -(16) محاسبه کرد ، که در آن SMA یک میانگین حرکت ساده در طی یک دوره n-day است.

اگر قیمت بسته شدن فعلی از قیمت قبلی بیشتر باشد ، یعنی قیمت افزایش یافته است ، سپس U ، D به صورت محاسبه می شود

اگر قیمت بسته شدن فعلی کمتر از قیمت قبلی باشد ، یعنی قیمت کاهش یافته است ، پس U ، D به عنوان محاسبه می شود