نظام التنبؤ المقترح لمعاملات العملة المشفرة بناءً على الشبكة العصبية المتكررة

الباحث

رحاب قاسم عبد الكاظم

المشرف

حسنين سمير عبد الله - مصطفى جاسم هادي

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم علوم الحاسوب / علوم الحاسوب

الشهادة

ماجستير

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Cryptocurrency;Price prediction;Recurrent neural network;Deep learning

في عالم التمويل المتطورء تتزايد شعبية العملات المشفرة، وتتميز بالتغيرات السريعة والكبيرة في القيمة. تمثل هذه التغييرات Gant للمستثمرين، مما يجعل فهم هذه التقلبات والتنبؤ بها أمرًا مهما لاتخاذ قرارات استثمارية مستنيرة. ولمعالجة هذه المشكلة، يُقترح في هذه الأطروحة استخدام الشبكات العصبية المتكررة (107115)للتنبؤ بأسعار GE! وتداول العملات المشفرة. الهدف هو تحسين دقة التنبؤ بأسعار العملات المشفرة وتزويد المستثمرين برؤى موثوقة لاتخاذ القرارات القائمة على البيانات. في هذه day bY) تم استخدام خمسة نماذج من أساليب التعلم العميق للتنبؤ بأسعار GE) وتداول العملات المشفرة. يتم دراسة أنواع مختلفة من شبكات127217727 ، بما في ذلك شبكات الذاكرة الطويلة قصيرة (LSTM) sell ، والوحدات المتكررة ذات (GRU) pall ، والشبكات العصبية التلافيفية(017117) ، ونهج مشترك يسمى نموذج RNN الهجين. أحد العوامل الرئيسية في هذه النماذج هو فترة Mela aI" والتي تشير إلى كمية البيانات التاريخية التي يتم أخذها في الاعتبار لإجراء التنبؤات. تعد فترة "الاسترجاع" أمرًا بالغ الأهمية لأنها تحدد إلى أي مدى سيعود النموذج إلى الماضي للتعلم من البيانات. يمكن أن يؤثر هذا بشكل كبير على قدرة النموذج على التقاط الاتجاهات وإجراء تنبؤات دقيقة. يتم تطبيق كل من هذه الطرق لتحليل أسعار الإغلاق والتداول للعملات المشفرة الرئيسية مثل USDT و sBTC 1111و slg $l sBNB مع فترات "نظرة رجعية" مختلفة لتعزيز دقة التنبؤات. أخيرّاء جاءت نتائج الدراسة كما يلي: وجد أن نموذج RNN Hybrid هو الأكثر فعالية، حيث يجمع بين تقنيات مختلفة ويتفوق في pill بسعر BTC مع "نظرة رجعية" تبلغ 10 ويحقق MAPE بنسبة 4 يعد نموذج clea) YEA RNN لا سيما مع "نظرة رجعية" تبلغ 40 ل8100 ، مما يحقق 4M 42515 9700.00045. يعمل نموذج GRU بشكل جيد مع نفس العملة المشفرة وفترة "الاسترجاع" ولكن لديه MAPE أقل بنسبة %0,00032. تتطلب نماذج LSTM فترة "نظرة رجعية" أطول تبلغ 50 ل BTC مما يؤدي إلى MAPE بنسبة %0.000399. يُظهر نموذج07111) ، باستخدام نهج فريد، نتائج مختلفة مع "نظرة رجعية" تبلغ 50 ل BTC و 4st3MAPE 0.00136.%

In the evolving world of finance, the popularity of cryptocurrencies is increasing, characterized by rapid and significant changes in value. These changes present a challenge to investors, making the understanding and prediction of these fluctuations important for informed investment decisions. To address this, the use of Recurrent Neural Networks (RNNs) for forecasting cryptocurrency closing and trading prices is proposed in this thesis. The aim is to improve the accuracy of predicting cryptocurrency prices and provide investors with reliable insights for data-driven decision-making. In this thesis, five models from deep learning approaches were used to predict the closing and trading prices of cryptocurrencies. Different types of RNNs, including Long Short-Term Memory (LSTM) networks, Gated Recurrent Units (GRU), Convolutional Neural Networks (CNN), and a combined approach called the RNN Hybrid Model, are investigated. A key factor in these models is the 'lookback' period, which refers to the amount of historical data considered for making predictions. The 'lookback' period is crucial as it determines how far back in the past the model will go to learn from the data. This can significantly impact the model's ability to capture trends and make accurate forecasts. Each of these methods is applied to analyze and predict the closing and trading prices of major cryptocurrencies like USDT, BTC, ETH, and BNB, with different 'lookback' periods to enhance the accuracy of predictions. Finally, the results of the study are as follows: The RNN Hybrid model is found to be the most effective, combining various techniques and excelling in predicting the price of BTC with a 'lookback' of 10 and achieving a MAPE of 0.000274%. The RNN model is also effective, particularly with a 'lookback' of 40 for BTC, achieving a MAPE of 0.00045%. The GRU model performs well with the same cryptocurrency and 'lookback' period but has a lower MAPE of 0.00032%. LSTM models require a longer 'lookback' period of 50 for BTC, resulting in a MAPE of 0.000399%. The CNN model, using a unique approach, shows different results with a 'lookback' of 50 for BTC and a MAPE of 0.00136%.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب