توصيفگر ها :
شبكه عصبي , پيش‌بيني سري زماني با شبكه LSTM , سري زماني قيمت , تحليل همبستگي سري‌هاي زماني , تحليل رفتار سهام , پيچيدگي سري زماني
چكيده فارسي :
در طبيعت سيستم‌هاي پيچيده بسياري وجود دارد يكي از اين سيستم‌ها كه از پيچيدگي زيادي برخوردار است رفتار سهام و ارز‌هاي ديجيتال است، كه نتيجه تصميم‌گيري تمام افرادي است كه در آن حضور دارند و عوامل زيادي مانند اخبار سياسي، اقتصادي، تبليغات و... بر آن تاثير دارند. در اين پژوهش تلاش شده است رفتار سهام به عنوان يك رفتار جمعي مورد بررسي قرار گيرد، و صرفا با در نظر داشتن الگوهايي كه در گذشته سهام رخ داده‌اند به تحليل و بررسي ميزان پيش‌بيني پذير بودن آن در آينده پرداخته شد. در اين تحقيق از شبكه‌ي عصبي مصنوعي LSTM (يكي از انواع شبكه‌هاي يادگيري عميق) استفاده شده است. با طراحي شبكه‌هاي عصبي با تعداد دورهاي متفاوت آموزش و نيز تعداد نورون متفاوت با استفاده از كتابخانه Tensorflow در پايتون سعي در پيش‌بيني قيمت در روز آينده آن ارز يا سهم شده است. اين كار براي چهار سري زماني شامل سري زماني قيمت بيت‌كوين، طلا، نفت خام و جفت ارز يورو دلار انجام شده است. نتايج نشان مي‌دهد پيش‌بيني براي سري قيمت بيت‌كوين كه دامنه‌ي تغييرات بيشتري دارد، بهتر انجام شده است. همچنين افزايش تعداد نورون‌ها و دورهاي آموزش شبكه الزاما نتايج بهتري ارائه نمي‌دهد. بررسي كميت پيچيدگي نيز براي سري‌هاي زماني قيمت نشان‌دهنده‌ي كمترين پيچيدگي در سري زماني قيمت بيت‌كوين است.
چكيده انگليسي :
In nature, there exist many complex systems, one of which is characterized by significant complexity: the behavior of stocks and digital currencies. This behavior results from the decisions of all individuals involved, and various factors such as political, economic news, advertisements, etc., influence it. This research aims to examine the behavior of stocks as a collective phenomenon. By considering patterns that have occurred in the past, the predictability of future behavior is analyzed and assessed.
In this study, an artificial neural network called LSTM (Long Short-Term Memory), a type of deep learning network, is utilized. Different network architectures with varying training epochs and neuron counts are designed using the TensorFlow library in Python to predict the future prices of a currency or stock. This approach is applied to four time series: Bitcoin price, gold, crude oil, and the Euro to Dollar exchange rate.
The results indicate that predictions for the Bitcoin price series, which exhibits a wider range of fluctuations, have been more successful. Furthermore, increasing the number of neurons and training epochs does not necessarily yield better results. The analysis of complexity measures also reveals the least complexity in the Bitcoin price time series.
