 جلسه دفاع پایان نامه: هاله خوش شانس، گروه مهندسي فناوري اطلاعات
ارائه کننده: هاله خوش شانس چکیده: رشد و توسعه الگوریتم های معامله گری در بازارهای مختلف بر پایه تحلیل داده ها همواره روند های پیشبینی دقیق تری از بازارهای مالی برای تجار فراهم می آورند. در این میان، استفاده از تکنیک های یادگیری ماشین در تحلیل داده های مربوط به ارزهای دیجیتال مورد توجه قرار گرفته و تحقیقات قابل توجهی در این زمینه انجام شده است. از طرفی احساسات بازار نگرش جمعی تجار و سرمایهگذاران نسبت به یک دارایی مالی یا بازار است. این مفهوم در همه بازارهای مالی از جمله بازار رمزارزها وجود دارد و نمیتوان تاثیر احساسات بر بازار را نادیده گرفت. البته همیشه احساسات مطلوب در بازار منجر به شرایط مثبت قیمت نمیشود؛ گاهی اوقات، ممکن است احساسات به شدت مثبت، قبل از اصلاح بازار یا حتی در یک بازار نزولی ظاهر شود. تحلیلگران علاوه بر تحلیل میزان تقاضای بازار، میتوانند با تحلیل احساسات به پیش بینی دقیقتری از قیمت ارزهای دیجیتال دست یابند. یکی از ویژگیهایی که میتواند در این زمینه موثر واقع شود، شاخص ترس-طمع است که در این تحقیق مورد بررسی قرار می گیرد. در این تحقیق ابتدا مروری بر ادبیات و پیشینه استفاده از الگوریتم های یادگیری ماشین و تحلیل احساسات جهت پیشبینی قیمت ارزهای دیجیتال صورت گرفته و به عنوان خروجی یک دسته بندی چهار بخشی که شامل تجارت فنی و شاخص های رسانه های اجتماعی، تشخیص احساسات و عواطف بر اساس بررسی های پرداخت دیجیتال، تأثیر موضوعات رسانه های اجتماعی در بازارهای پول دیجیتال و خزش در داده های نظرات کاربران است، ارائه می گردد. در ادامه تحقیقات پیشین، دو نکته مهم وجود دارد که در این تحقیق قصد پرداختن به آنها را داریم. نکته اول استفاده همزمان شاخص های فنی و تحلیل احساسات به عنوان ورودی به الگوریتمها است که تعداد تحقیقات بسیار کمی در این زمینه وجود دارد و نکته دوم این مسئله است که اکثر مطالعات، دورهای از روند ثابت صعودی قیمت را پوشش میدهند. بر این اساس در تحقیق حاضر قصد داریم با روش ارائه شده هر دو مورد بیان شده را پوشش دهیم. روش پیشنهادی جهت انجام این تحقیق شامل یازده گام است که در مراحل اولیه پس از جمعآوری و آماده سازی داده ها، جهت برچسب گذاری از روش ودر استفاده خواهد شد که یک روش تجزیه و تحلیل احساسات در شبکه های اجتماعی است. پس از آن نتیجه تحلیل احساسات، دادههای مربوط به قیمت بیت کوین و شاخص ترس-طمع به عنوان ورودی دو الگوریتم پرکاربرد در زمینه پیشبینی قیمت ارزهای دیجیتال که شامل شبکه عصبی کانولوشنال و حافظه کوتاه مدت طولانی است، استفاده خواهند شد. در مرحله آخر این روش، هر دو مدل پیاده سازی شده، با استفاده از چهار معیار سنجش خطا که شامل میانگین خطای مطلق، میانگین مربع خطا، متوسط ریشه ی مربع خطا و مربع R است، ارزیابی و مدلی که بهترین عملکرد را دارد معرفی میشود. نتایج به دست آمده حاکی از آن است که استفاده از تحلیل احساسات در کنار استفاده از شاخص فنی ترس – طمع موجب کاهش خطا در پیشبینی قیمت ارز دیجیتال میشود و با وجود میزان خطای بسیار کم برای هر دو مدل، مدل حافظه کوتاه مدت طولانی عملکرد بهتری دارد. علاوه بر این، مقدار خطای به دست آمده از طریق این روش در مقایسه با مطالعات مشابه نیز کمتر است. |
