• عنوان

    پيش‌بيني سري‌هاي زماني مالي در بازار ارز ديجيتال با بهره‌گيري از مدل‌هاي زباني بزرگ

  • نويسنده اصلي

    فخاري، مريم

  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • رشته تحصيلي
    مهندسي كامپيوتر
  • مقطع تحصيلي
    كارشناسي ارشد
  • چكيده
    سري‌هاي زماني مجموعه‌اي از مشاهدات متوالي در بازه‌هاي زماني منظم هستند كه پيش‌بيني دقيق آن‌ها نقشي كليدي در استخراج بينش‌هاي ارزشمند و پشتيباني از تصميم‌گيري‌هاي راهبردي ايفا مي‌كند. پيش‌بيني سري‌هاي زماني مالي، به‌ويژه در بازار ارزهاي ديجيتال، به دليل نوسانات شديد، غيرقابل‌پيش‌بيني بودن و تأثيرات گسترده عوامل بيروني، يكي از چالش‌برانگيزترين حوزه‌هاي تحليل داده به شمار مي‌رود. روش‌هاي سنتي آماري و الگوريتم‌هاي يادگيري ماشين اگرچه در گذشته كاربرد گسترده‌اي داشته‌اند، اما در مدل‌سازي الگوهاي پيچيده و غيرخطي اين بازارها با محدوديت‌هايي مواجه بوده‌اند. در سال‌هاي اخير، مدل‌هاي مبتني بر يادگيري عميق، به‌ويژه معماري‌هاي مبتني بر مبدل، توانسته‌اند با بهره‌گيري از سازوكار خودتوجهي، وابستگي‌هاي بلندمدت را ثبت كرده و دقت پيش‌بيني را بهبود بخشند. با ظهور مدل‌هاي زباني بزرگ، فرصت‌هاي جديدي براي پيش‌بيني سري‌هاي زماني مالي فراهم شده است. با اين حال، از آنجايي كه اين مدل‌ها در اصل براي پردازش زبان طبيعي طراحي شده‌اند، انطباق آن‌ها با ماهيت عددي و ساختار وابسته به زمان داده‌هاي مالي نيازمند اعمال تغيرات و اقدامات خاصي است. پژوهش حاضر به پيش‌بيني سري‌هاي زماني مالي با تحليل و ارزيابي قابليت‌هاي مدل‌هاي زباني بزرگ مي‌پردازد. در اين راستا، داده‌هاي قيمتي رمزارز گردآوري، پردازش و براي استفاده در قالب ورودي‌هاي سازگار آماده‌سازي مي‌شوند. همچنين داده‌هاي متني مرتبط با اخبار بازار رمزارز جمع‌آوري و به‌عنوان منبع اطلاعاتي مكمل مورد توجه قرار مي‌گيرند و اثر آن‌ها بر تغييرات قيمت در بازه‌هاي زماني كوتاه‌مدت ارزيابي مي‌گردد. اين پژوهش با طراحي سازوكاري تركيبي شامل مهندسي دستور ويژه، بازتعريف ورودي‌هاي عددي براي درك بهتر مدل و بهره‌گيري از پيش‌بيني چندمرحله‌اي، رويكردي متمايز نسبت به روش‌هاي مبتني بر مبدل‌ها و مدل‌هاي يادگيري ماشين ارائه مي‌دهد. همچنين با تمركز بر مقايسه ميان اين روش با ساير روش‌هاي رايج در حوزه پيش‌بيني سري‌هاي زماني، زمينه‌اي براي ارزيابي دقت روش پبشنهادي، قابليت مدل‌هاي زباني بزرگ و همچنين تبيين مسير ارتقاي آن‌ها در كاربردهاي مالي فراهم مي‌سازد.
  • شماره ركورد
    236586
  • گرايش رشته تحصيلي
    نرم افزار
  • دانشكده
    مهندسي برق و كامپيوتر
  • دانشگاه
    دانشگاه صنعتي اصفهان