Περίληψη
Τα παραδοσιακά μοντέλα χρηματοοικονομικής πρόβλεψης είναι δύσκολο να αντιμετωπιστούν με πολύπλοκες χρηματοπιστωτικές αγορές, ιδίως αγορές κρυπτονομισμάτων. Σε αυτή την εργασία, χρησιμοποιείται για πρώτη φορά ένα μοντέλο πρόβλεψης κβαντικού χρηματοοικονομικού χρονικού χαοτικού ταλαντωτικού δικτύου (TSCNON) για την πρόβλεψη της τιμής της μετοχής του Bitcoin συνδυάζοντας την τεχνική του κβαντικού επιπέδου τιμών (QPL) με τη θεωρία των χαοτικών νευρωνικών δικτύων. Με βάση την κβαντική σηματοδότηση πεδίου (QFS) και τον ταλαντωτή Lee, επιλύονται τα προβλήματα υπερπροσαρμογής και αδιεξόδου των παραδοσιακών νευρωνικών δικτύων κατά την αντιμετώπιση οικονομικών δεδομένων μεγάλης κλίμακας. Παρουσιάζεται ο δομικός σχεδιασμός του μοντέλου TSCNON και ο αλγόριθμος εκπαίδευσής του. Αποδεικνύεται το πλαίσιο εφαρμογής του TSCNON στην πρόβλεψη τιμών Bitcoin. Τα πειραματικά αποτελέσματα δείχνουν ότι το μοντέλο TSCNON μπορεί να μειώσει σημαντικά το σφάλμα πρόβλεψης και να βελτιώσει την ακρίβεια της πρόβλεψης. Το παρόν έγγραφο παρέχει στους συμμετέχοντες στις χρηματοπιστωτικές αγορές πιο ακριβή και αξιόπιστα εργαλεία πρόβλεψης και προωθεί την προώθηση της κβαντικής χρηματοπιστωτικής τεχνολογίας σε πρακτικές εφαρμογές.
Εισαγωγή
Η πρόβλεψη των χρηματοπιστωτικών αγορών ήταν πάντα στο επίκεντρο τόσο της ακαδημαϊκής όσο και της πρακτικής προσοχής.
Με τη συνεχή ανάπτυξη και πολυπλοκότητα της παγκόσμιας χρηματοπιστωτικής αγοράς, ιδιαίτερα
η άνοδος της αγοράς κρυπτονομισμάτων, η αστάθεια της χρηματοπιστωτικής αγοράς έχει αυξηθεί
σημαντικά και οι παραδοσιακές μέθοδοι πρόβλεψης αποκάλυψαν σταδιακά. Η κβαντική χρηματοδότηση, ως αναδυόμενος διεπιστημονικός τομέας, παρέχει νέες ιδέες και τεχνικά μέσα για την πρόβλεψη των χρηματοπιστωτικών αγορών. Η τεχνική Quantum Price Level (QPL) μοντέλα διακυμάνσεων των τιμών στις χρηματοπιστωτικές αγορές χρησιμοποιώντας τις αρχές της κβαντικής μηχανικής, η οποία μπορεί να συλλάβει με μεγαλύτερη ακρίβεια τους εγγενείς νόμους της αγοράς. Ωστόσο, είναι δύσκολο για την επίτευξη πρόβλεψης των χρηματοπιστωτικών αγορών σε πραγματικό χρόνο, βασιζόμενη αποκλειστικά στην τεχνολογία QPL.
Χαοτικά νευρωνικά δίκτυα (CNNs), ως εργαλείο ικανό να αντιμετωπίσει πολύπλοκα δυναμικά συστήματα, έχουν καλή προσαρμοστική και υπερφορτωτική αντίσταση. Ως εκ τούτου, η παρούσα εργασία προτείνει μια χρονοσειρά μοντέλο χαοτικού νευρωνικού ταλαντωτικού δικτύου (TSCNON) που συνδυάζει κβαντικό επίπεδο τιμών τεχνολογία και χαοτικά νευρωνικά δίκτυα για τη βελτίωση της ακρίβειας και της αξιοπιστίας της πρόβλεψης χρηματοπιστωτικές αγορές Με την εισαγωγή κβαντικών σημάτων πεδίου (QFS) και βελτιωμένων νευρικών ταλαντωτών (ταλαντωτές Lee), το μοντέλο TSCNON είναι σε θέση να επιλύσει αποτελεσματικά την υπερπροσαρμογή
και τα προβλήματα αδιεξόδου των παραδοσιακών νευρωνικών δικτύων όταν ασχολούνται με μεγάλα οικονομικά δεδομένα, και παρέχουν στους συμμετέχοντες στις χρηματοπιστωτικές αγορές πιο ακριβή και αξιόπιστα εργαλεία πρόβλεψης.
Βιβλιογραφική Ανασκόπηση
Τα τελευταία χρόνια, η πρόβλεψη των τιμών Bitcoin έχει γίνει ένα καυτό ερευνητικό θέμα στον ακαδημαϊκό χώρο και επενδυτική κοινότητα λόγω της υψηλής μεταβλητότητας και των πιθανών υψηλών αποδόσεων. Αν και αρκετοί έχουν αναπτυχθεί παραδοσιακά μοντέλα χρονοσειρών, περιορίζονται στη μοντελοποίηση σταθερών χρονοσειρές και είναι δύσκολο να βρεθούν καλά όταν οι χρονοσειρές έχουν χαοτικά χαρακτηριστικά όπως όπως αυτές της αγοράς κρυπτονομισμάτων [1]. Ως εκ τούτου, πολλοί ερευνητές προσπάθησαν να χρησιμοποιήσουν τεχνικές μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) για την πρόβλεψη της τιμής του Bitcoin [1].
Τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNNs) είναι μια σημαντική κατηγορία τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται για τη μοντελοποίηση διαδικασιών χρονοσειρών [2]. Το LSTM είναι ένας τύπος Επαναλαμβανόμενου Νευρωνικού Δίκτυο (RNN) που έχει αποδειχθεί ότι μαθαίνει μακροπρόθεσμες εξαρτήσεις και έχει εφαρμόστηκε με επιτυχία σε έναν αριθμό πεδίων [3]. Οι Jang και Lee συνέκριναν την απόδοση των βαθιά νευρωνικά δίκτυα (DNNs), δίκτυα μακράς βραχυπρόθεσμης μνήμης (LSTM) και συνελικτικά νευρωνικά δίκτυα (CNNs) στο πλαίσιο της πρόβλεψης των τιμών του Bitcoin [4]. Τα αποτελέσματα στη μελέτη τους κατέδειξαν ότι τα LSTM παρουσίασαν ανώτερη απόδοση στην τιμή πρόβλεψη παλινδρόμησης σε σύγκριση με τα DNN και τα CNN. Ωστόσο, τα DNN κατέδειξαν υψηλότερο επίπεδο αποτελεσματικότητας στην ταξινόμηση των τάσεων των τιμών [4]. Η Bâra και η Oprea παρουσίασαν ένα υβρίδιο μοντέλο που ενσωματώνει CNN και BiLSTM και βελτιστοποιείται μέσω ενός μεταευρετικού αλγορίθμου για
προβλέψτε τις τιμές Bitcoin. Οι Erfanian et al. προσπάθησαν να χρησιμοποιήσουν χαρακτηριστικά υψηλής διάστασης για σύντομες και μεσοπρόθεσμη πρόβλεψη της τιμής Bitcoin και το ποσοστό ακρίβειας πρόβλεψης επόμενης ημέρας ήταν περίπου 65/5 Πολλές μελέτες έχουν επίσης δείξει ότι η βαθιά μάθηση μπορεί να χρησιμοποιηθεί για να συλλάβει το μη γραμμική δυναμική σύνθετων χρονοσειρών συνδυάζοντας το κλίμα της αγοράς και το blockchain δεδομένα και διαφορετικοί αλγόριθμοι όπως μηχανές διανυσμάτων υποστήριξης και τυχαία δάση μπορούν να χρησιμοποιείται για τη βελτίωση της ακρίβειας της πρόβλεψης [6-12].
Η χαοτική φύση της αγοράς κρυπτονομισμάτων παρακινεί τους ερευνητές να διερευνήσουν το
εφαρμογή χαοτικών νευρωνικών δικτύων στην πρόβλεψη της τιμής του. Για την ανίχνευση του φράκταλ και του εαυτού παρόμοια μοτίβα χρονοσειρών, ορισμένοι ερευνητές χρησιμοποίησαν χαοτικά νευρωνικά συστήματα βασισμένα στη βαθιά μάθηση δικτύων για την πρόβλεψη της τιμής του Bitcoin, του Digital Cash και του Ripple [13, 14]. Και μερικά σύγκρινε την απόδοση των RNNs και των διαφορετικών τεχνικών υπολογισμού δεξαμενών για την πρόβλεψη χαοτικών χρονοσειρών [15]. Επεσήμαναν ότι τα RNN και οι υπολογιστές δεξαμενών τεχνικές αποδίδουν άριστα τόσο στις βραχυπρόθεσμες όσο και στις μεσοπρόθεσμες προβλέψεις. Αυτές τα αποτελέσματα δείχνουν ότι η μη γραμμική δυναμική των χρηματοπιστωτικών αγορών μπορεί να διαμορφωθεί από χαοτικά
νευρωνικά δίκτυα, τα οποία θέτουν μια θεωρητική βάση για το μοντέλο TSCON. Η ανάδυση του
της κβαντικής χρηματοδότησης, τα κβαντικά προγνωστικά μοντέλα αναζωογονούνται επίσης. Για παράδειγμα, Εμμανουλόπουλος και Δημοσκά παρουσίασαν μια εφαρμογή παραμετροποιημένων κβαντικών κυκλωμάτων ως κβαντικά νευρωνικά δίκτυα για την πρόβλεψη των οικονομικών χρονοσειρών [16]. Ισχυρίστηκαν ότι το κβαντικό νευρωνικό δίκτυο ξεπερνά το κλασικό μοντέλο BiLSTM στην περιγραφή των οικονομικών χρονοσειρές με υψηλό θόρυβο χρησιμοποιώντας λιγότερους αριθμούς παραμέτρων του μοντέλου. Παρόλο που υλικού και ο αλγόριθμος της κβαντικής πληροφορικής είναι ακόμα υπό ανάπτυξη, παρέχει ένα νέο τεχνική υποστήριξη για το κβαντικά ενισχυμένο TSCONON. Πρόσφατα, οι Wei et al. πρότειναν ένα βαθιά μάθηση και μέθοδος μάθησης αναπαράστασης δικτύου, που ονομάζεται DLForecast, η οποία μπορεί να
να συλλάβει τα χωροχρονικά πρότυπα της συναλλαγής Bitcoin και να βελτιώσει την πρόβλεψη
Συναλλαγή Bitcoin [17, 18].
Αυτή η εργασία χρησιμοποιεί μια μέθοδο πρόβλεψης χρονοσειρών που προτάθηκε από τον Lee, που ονομάζεται TSCONON, που συνδυάζει χαοτικά νευρωνικά δίκτυα ταλάντωσης με κβαντικούς υπολογιστές. Η πρωταρχική κίνητρο πίσω από το TSCONON είναι να μοντελοποιήσει τη μη γραμμική δυναμική των τιμών Bitcoin και μόχλευση της κβαντικής πληροφορικής για αποτελεσματική επεξεργασία δεδομένων, παρέχοντας έτσι πιο ακριβείς προβλέψεις τιμών Bitcoin. Από όσο γνωρίζουμε, αυτή είναι η πρώτη περίπτωση συνδυασμού χαοτικά νευρωνικά δίκτυα ταλάντωσης με κβαντική υπολογιστική για πρόβλεψη χρονοσειρών. Οι οι συνεισφορές αυτής της εργασίας συνοψίζονται ως εξής: 1) Πρωτοπορήσαμε στη χρήση του TSCONON στον τομέα των κρυπτονομισμάτων, επεκτείνοντας το πεδίο εφαρμογής των υφιστάμενων μεθόδων πρόβλεψης. 2)
Τα αριθμητικά αποτελέσματα δείχνουν ότι το TSCONON μπορεί να συλλάβει αποτελεσματικά τη χαοτική συμπεριφορά χρονοσειρών και να παρέχουν ακριβέστερα αποτελέσματα πρόβλεψης. 3) Το TSCONON προσφέρει ένα νέο κατεύθυνση για την πρόβλεψη των τιμών των χρηματοοικονομικών προϊόντων. Συνδυάζοντας τα πλεονεκτήματα αυτών των δύο πεδίων έχει μεγάλες δυνατότητες για περαιτέρω βελτίωση της απόδοσης πρόβλεψης.
Οι υπάρχουσες έρευνες δείχνουν ότι τα μοντέλα βαθιάς μάθησης έχουν ορισμένα σημαντικά πλεονεκτήματα αντιμετώπιση σύνθετων προβλημάτων χρονοσειρών [20]. Επιπλέον, τα χαοτικά νευρωνικά δίκτυα μπορούν επίσης μοντελοποιούν το μη γραμμικό μοτίβο των αγορών. Πρόσφατα, η κβαντική χρηματοδότηση παρέχει τεχνική υποστήριξη για το TSCON στη διαχείριση δεδομένων υψηλού θορύβου [16]. Για παράδειγμα, οι Khaniki et al. συνδυασμένων μετασχηματιστών με BiLSTM για τη βελτίωση της χρονικής δυναμικής και του εντοπισμού η χρονοσειρά, η οποία δείχνει επίσης μια πολλά υποσχόμενη κατεύθυνση για το υβριδικό μοντέλο στην κρυπτογράφηση
πρόβλεψη Υποτίθεται ότι το TSCONON θα είναι σε θέση να μοντελοποιήσει τη χαοτική συμπεριφορά των τιμών Bitcoin μέσω ταλαντωτικών δικτύων και μόχλευση κβαντικών υπολογιστών για την επιτάχυνση της πρόβλεψης.
Συμπέρασμα
Προβλέψαμε τις βραχυπρόθεσμες και μεσοπρόθεσμες τιμές του bitcoin (BTC) χρησιμοποιώντας ένα νέο υβριδικό μοντέλο, το μοντέλο χρονοσειρών χαοτικού νευρωνικού δικτύου ταλάντωσης (TSCNON), σε συνδυασμό με τεχνολογία κβαντικού επιπέδου τιμών (QPL). Συγκρίναμε την απόδοση του TSCONON με άλλα παραδοσιακά μοντέλα μηχανικής μάθησης. Τα αποτελέσματα δείχνουν ότι το TSCONON υπερτερεί Άρθρο 6 Τα αποτελέσματα δείχνουν ότι ο αλγόριθμος TSCONON υπερτερεί σημαντικά την υπάρχουσα βιβλιογραφία στην πρόβλεψη των ημερήσιων τιμών κλεισίματος και της αύξησης/πτώσης των τιμών. Επιπλέον, είναι σε θέση για να συλλάβει τη χαοτική και μη γραμμική δυναμική των τιμών του bitcoin.
Αυτή είναι η πρώτη μελέτη που εφαρμόζει κβαντική χρηματοδότηση και χαοτικά νευρωνικά δίκτυα για την πρόβλεψη τιμές κρυπτονομισμάτων. Οι μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν πώς να βελτιστοποιήσουν το TSCON αρχιτεκτονική για τον εντοπισμό πιο σύνθετων ανωμαλιών και τάσεων της αγοράς.
Αυτό το άρθρο προέρχεται από μετάφραση του άρθρου: Predicting Bitcoin Prices Using Time Series Chaotic Neural Oscillatory Networks (TSCNON) in Quantum Finance από τα αγγλικά και δημοσιεύεται με βάση την άδεια CC BY 4.0 Attribution 4.0 International Creative Commons.
Διαβάστε επίσης: