Περίληψη
Τα κρυπτονομίσματα έχουν κερδίσει ευρεία προσοχή, ιδίως στους τομείς των οικονομικών και των επενδύσεων.Παρά την αυξανόμενη δημοτικότητά τους, τα κρυπτονομίσματα μπορούν να αποτελέσουν επένδυση υψηλού κινδύνου λόγω της αστάθειας των τιμών τους. Η εγγενής μεταβλητότητα στις τιμές των κρυπτονομισμάτων, σε συνδυασμό με τις επιπτώσεις των εξωτερικών παγκόσμιων οικονομικών παραγόντων, καθιστά την πρόβλεψη των κινήσεων των τιμών τους δύσκολη. Για την αντιμετώπιση αυτής της πρόκλησης, προτείνουμε μια δυναμική προσέγγιση βασισμένη στο δίκτυο Bayesian (DBN) για την αποκάλυψη πιθανών αιτιωδών σχέσεων μεταξύ διαφόρων χαρακτηριστικών, συμπεριλαμβανομένων των δεδομένων των μέσων κοινωνικής δικτύωσης, των παραδοσιακών παραγόντων της χρηματοπιστωτικής αγοράς και των τεχνικών δεικτών. Αυτή η μελέτη επικεντρώνεται σε έξι μεγάλα κρυπτονομίσματα, συμπεριλαμβανομένων των Bitcoin, Binance Coin, Ethereum, Litecoin, Ripple και Tether. Η απόδοση του προτεινόμενου μοντέλου συγκρίνεται με πέντε βασικά μοντέλα αυτοπαλινδρομικού ολοκληρωμένου κινητού μέσου όρου, παλινδρόμησης διανυσμάτων υποστήριξης, μακράς βραχυπρόθεσμης μνήμης, τυχαίων δασών, μηχανών διανυσμάτων υποστήριξης και ενός μεγάλου γλωσσικού μοντέλου. Τα αποτελέσματα δείχνουν ότι ενώ η απόδοση του DBN ποικίλλει μεταξύ των κρυπτονομισμάτων, με ορισμένα κρυπτονομίσματα να παρουσιάζουν υψηλότερη προγνωστική ακρίβεια από άλλα, το DBN ξεπερνά σημαντικά τα βασικά μοντέλα.
Εισαγωγή
Η αγορά κρυπτονομισμάτων έχει αναδειχθεί ως σημαντικός παίκτης στις παγκόσμιες χρηματοπιστωτικές αγορές παρά τη σχετικά μικρή διάρκεια ζωής της [1]. Από την έναρξη των κρυπτονομισμάτων το 2012, η κεφαλαιοποίηση της αγοράς έχει αυξηθεί, από 17 δισεκατομμύρια στις αρχές του 2017 σε 2,6 τρισεκατομμύρια δολάρια ΗΠΑ τον Μάρτιο του 2024.Υποσημείωση 2 Αυτή η εντυπωσιακή ανάπτυξη υπογραμμίζει τη σημασία των κρυπτονομισμάτων και τον αντίκτυπό τους στην προσέλκυση μεγάλου αριθμού επενδυτών.
Παρά την ελκυστικότητα της αγοράς κρυπτονομισμάτων, αρκετές προκλήσεις επηρεάζουν την κερδοφορία των συναλλαγών κρυπτονομισμάτων [3]. Τα κρυπτονομίσματα αντιμετωπίζουν κοινές προκλήσεις που αντιμετωπίζουν τα παραδοσιακά χρηματοοικονομικά περιουσιακά στοιχεία, όπως η ακριβής πρόβλεψη των τιμών και οι παγκόσμιες οικονομικές και μη οικονομικές επιρροές [4]. Αυτές οι προκλήσεις οφείλονται κυρίως στα εγγενώς πολύπλοκα, μη γραμμικά και θορυβώδη χαρακτηριστικά των χρηματοοικονομικών δεδομένων [5] και στην επίδραση παραγόντων όπως το κλίμα της αγοράς, οι ρυθμιστικές αλλαγές και οι μακροοικονομικοί δείκτες [6, 7]. Επιπλέον, τα κρυπτονομίσματα αντιμετωπίζουν μοναδικές προκλήσεις λόγω των ξεχωριστών χαρακτηριστικών τους, τα οποία δεν υπάρχουν σε άλλες χρηματοπιστωτικές αγορές, συμπεριλαμβανομένης της δυσκολίας εξόρυξης, της ασφάλειας πορτοφολιού και συναλλάγματος, της κατανάλωσης ενέργειας blockchain και της έλλειψης διεθνούς αποδοχής και ρύθμισης [8]. Αυτοί οι παράγοντες συμβάλλουν στην υψηλότερη μεταβλητότητα και προσθέτουν πολυπλοκότητα στην πρόβλεψη των κινήσεων των τιμών των κρυπτονομισμάτων [9]. Δεδομένης αυτής της πολυπλοκότητας, τα εργαλεία που εξηγούν τις σχέσεις μεταξύ αυτών των παραγόντων και προβλέπουν την κατεύθυνση των τιμών είναι εξαιρετικά πολύτιμα για τους επενδυτές. Απλοποιώντας το πρόβλημα της ταξινόμησης της κατεύθυνσης της κίνησης των τιμών, αυτά τα εργαλεία μπορούν να εντοπίσουν τις τάσεις, να βελτιώσουν την ακρίβεια των προβλέψεων για τα χρηματοοικονομικά περιουσιακά στοιχεία [10] και να δημιουργήσουν σήματα αγοράς και πώλησης για διαπραγμάτευση [11].
Η τεχνητή νοημοσύνη (AI), ιδιαίτερα η μηχανική μάθηση (ML), έχει αποδειχθεί αποτελεσματική στην πρόβλεψη σε διάφορους τομείς [12]. Οι ερευνητές και οι επαγγελματίες της χρηματοοικονομικής τεχνολογίας Footnote 3 χρησιμοποιούν όλο και περισσότερο τεχνικές ML, όπως η μακροχρόνια βραχυπρόθεσμη μνήμη [14] και τα τεχνητά νευρωνικά δίκτυα [15], για να αντιμετωπίσουν την πρόκληση της πρόβλεψης των τιμών στην αγορά κρυπτονομισμάτων. Ωστόσο, η εύρεση μιας κατάλληλης τεχνικής ML για την επίτευξη υψηλής ακρίβειας είναι πολύπλοκη [16]. Συγκεκριμένα, η ακρίβεια της πρόβλεψης είναι ευαίσθητη στην επιλογή του μοντέλου, του μεγέθους του δείγματος και των αντίστοιχων υπερπαραμέτρων [17, 18]. Επιπλέον, πολλά μοντέλα ML περιορίζονται από τη φύση τους ως «μαύρου κουτιού», η οποία στερείται εξηγησιμότητας και δεν παρέχει πληροφορίες σχετικά με τη σημασία των χαρακτηριστικών ή τις σχέσεις μεταξύ των μεταβλητών [19]. Αυτοί οι περιορισμοί είναι ιδιαίτερα δύσκολοι στο πλαίσιο των χρηματοπιστωτικών αγορών, όπου η κατανόηση των υποκείμενων παραγόντων που οδηγούν στις προβλέψεις είναι ζωτικής σημασίας για τη λήψη τεκμηριωμένων επενδυτικών αποφάσεων.
Για να αντιμετωπίσουμε αυτές τις προκλήσεις, χρησιμοποιούμε DBNs για να προβλέψουμε την κατεύθυνση των τιμών των κρυπτονομισμάτων για διάφορους λόγους. Προσφέρουν μια δομημένη προσέγγιση για τη μοντελοποίηση πολύπλοκων συστημάτων που αλλάζουν με την πάροδο του χρόνου. Περιγράφουν αποτελεσματικά τις διαδικασίες Markov, απαιτώντας μόνο την τρέχουσα κατάσταση για τον προσδιορισμό της πιθανότητας της επόμενης κατάστασης, καθιστώντας τις κατάλληλες για την ασταθή και πολύπλοκη αγορά κρυπτονομισμάτων [20]. Σε σύγκριση με ορισμένα μοντέλα ML που χρησιμοποιούνται για την ταξινόμηση, τα οποία περιορίζονται στην πρόβλεψη μόνο της κατεύθυνσης της κίνησης της αγοράς χωρίς να λαμβάνεται υπόψη το μέγεθός της. [21], τα DBNs προσφέρουν το πλεονέκτημα της παροχής ενός πιθανοτικού συμπεράσματος για τις κατευθύνσεις των κινήσεων των τιμών, εκτιμώντας το μέγεθος και την πιθανότητα τέτοιων κινήσεων. Ένα από τα βασικά πλεονεκτήματα των DBN είναι η εξηγησιμότητά τους, η οποία διευκολύνει την κατανόηση των σχέσεων μεταξύ διαφόρων παραγόντων. Συγκεκριμένα, τα DBN μπορούν να εντοπίσουν τα πιο σημαντικά χαρακτηριστικά δημιουργώντας δίκτυα αιτιωδών σχέσεων μεταξύ τους και προσφέροντας ένα γραφικό μοντέλο που αντιπροσωπεύει τη δυναμική των συστημάτων [22]. Αυτή η προσέγγιση προσφέρει βαθύτερες γνώσεις σχετικά με τους παράγοντες που οδηγούν στην τιμή των κρυπτονομισμάτων και τον αντίκτυπό τους στις διακυμάνσεις των τιμών [23]. Παρά όλα αυτά τα σημαντικά χαρακτηριστικά, τα DBN χρησιμοποιούνται σπάνια στον τομέα των κρυπτονομισμάτων.
Χρησιμοποιούμε DBN για να προβλέψουμε την κατεύθυνση των κινήσεων των τιμών στα κρυπτονομίσματα. Εκτός από το Bitcoin, τον ηγέτη της αγοράς, η μελέτη διερευνά την αποτελεσματικότητα των DBN στην πρόβλεψη των ημερήσιων κατευθύνσεων τιμών πέντε δημοφιλών altcoins, τα οποία επιλέγονται κυρίως λαμβάνοντας υπόψη την κεφαλαιοποίηση της αγοράς και τη διαθεσιμότητα δεδομένων. Η απόδοση των μοντέλων DBN συγκρίνεται με πέντε συχνά χρησιμοποιούμενα βασικά μοντέλα, δηλαδή τα μοντέλα αυτόματης παλινδρόμησης ολοκληρωμένου κινητού μέσου (ARIMA), παλινδρόμησης διανυσμάτων υποστήριξης (SVR), τυχαίων δασών (RF), μακράς βραχυπρόθεσμης μνήμης (LSTM) και μηχανών διανυσμάτων υποστήριξης (SVM). Επιπλέον, δεδομένων των πρόσφατων εξελίξεων στα μεγάλα γλωσσικά μοντέλα (LLM), αξιολογούμε επίσης την προσέγγισή μας έναντι ενός αντιπροσωπευτικού μοντέλου βασισμένου στο LLM ως την έκτη βασική γραμμή. Επιπλέον, η έρευνα διερευνά διάφορα χαρακτηριστικά για να καθορίσει εάν η αύξηση του αριθμού των χαρακτηριστικών που τροφοδοτούνται στο DBN οδηγεί σε μονότονη βελτίωση της ακρίβειας πρόβλεψης. Εξετάζοντας τον τρόπο με τον οποίο οι διαφορετικές κατηγορίες χαρακτηριστικών επηρεάζουν την απόδοση των DBN, στοχεύουμε στην ενίσχυση της ακρίβειας των προβλέψεων κατεύθυνσης της αγοράς. Οι κύριες συνεισφορές της έρευνας είναι:
Εφαρμόζουμε DBN για την πρόβλεψη της ημερήσιας κατεύθυνσης των τιμών του Bitcoin και πέντε σημαντικών altcoins, Binance Coin, Ethereum, Litecoin, Ripple και Tether, προκειμένου να αξιολογήσουμε τις κινήσεις των τιμών τους.
Διερευνούμε τον τρόπο με τον οποίο τέσσερις διακριτές ομάδες χαρακτηριστικών, συμπεριλαμβανομένων των δεδομένων τιμών, των τεχνικών δεικτών, της δραστηριότητας στα μέσα κοινωνικής δικτύωσης και των μακροοικονομικών μεταβλητών, επηρεάζουν την προγνωστική απόδοση της DBN για την κατεύθυνση των τιμών των κρυπτονομισμάτων.
Προτείνουμε ειδικά για κέρματα μοντέλα DBN που δημιουργούν πιθανοτικά σήματα "αγοράς" και "πώλησης", αποτυπώνοντας τόσο την κατεύθυνση όσο και το μέγεθος των κινήσεων της αγοράς.
Παρέχουμε εξηγήσιμα, ειδικά για τα νομίσματα DBN που αποκαλύπτουν τους πιο σημαντικούς παράγοντες που επηρεάζουν τις αλλαγές των τιμών μέσω αιτιώδους συμπεράσματος, αντιμετωπίζοντας έτσι τους περιορισμούς "μαύρου κουτιού" πολλών μοντέλων τεχνητής νοημοσύνης.
Το υπόλοιπο της παρούσας εργασίας έχει δομηθεί ως εξής. Στην Ενότητα 2, παρέχεται μια βιβλιογραφική ανασκόπηση σχετικά με τις μελέτες που σχετίζονται με την πρόβλεψη των τιμών των κρυπτονομισμάτων. Η Ενότητα 3 εισάγει τα DBN. Η ενότητα 4 περιγράφει την επιλογή των χαρακτηριστικών. Η Ενότητα 5 παρέχει πληροφορίες σχετικά με τον πειραματικό σχεδιασμό και τις διαδικασίες ανάλυσης δεδομένων. Τα ευρήματα της μελέτης μας συζητούνται στην Ενότητα 6. Τέλος, η Ενότητα 7 παρέχει καταληκτικές παρατηρήσεις σχετικά με τη μελέτη και προτείνει κατευθύνσεις για μελλοντική έρευνα.
Συμπεράσματα και μελλοντικές εργασίες
Αυτή η μελέτη αξιολογεί την αποτελεσματικότητα των DBN στην πρόβλεψη των κινήσεων των τιμών του Bitcoin και πέντε μεγάλων altcoins. Τα DBN ξεπερνούν σταθερά τα μοντέλα ARIMA, SVR, LSTM, RF και SVM, με μέση βελτίωση ακρίβειας τουλάχιστον 9%. Ωστόσο, η απόδοση ποικίλλει μεταξύ των κρυπτονομισμάτων λόγω της διαφορετικής δυναμικής της αγοράς.
Ο δεύτερος στόχος αυτής της μελέτης είναι να εξετάσει πώς η επιλογή χαρακτηριστικών επηρεάζει την απόδοση του μοντέλου χρησιμοποιώντας διάφορους συνδυασμούς τεσσάρων ομάδων 23 χαρακτηριστικών. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός βασικών πληροφοριών για τις τιμές με τεχνικούς δείκτες αποδίδει τις πιο ακριβείς προβλέψεις, ενώ ο συνδυασμός OHLCV με εξωτερικούς παράγοντες έχει ως αποτέλεσμα τη χαμηλότερη ακρίβεια. Επιπλέον, η αύξηση του αριθμού των χαρακτηριστικών δεν οδηγεί πάντα σε καλύτερη ακρίβεια, υπογραμμίζοντας την ανάγκη για προσεκτική επιλογή χαρακτηριστικών για τη βελτιστοποίηση της απόδοσης DBN στην πρόβλεψη τιμών κρυπτονομισμάτων.
Τα ευρήματα αυτής της μελέτης μπορούν να συμβάλουν στην ανάπτυξη ενός αξιόπιστου συστήματος υποστήριξης αποφάσεων, ενισχύοντας την ακρίβεια των προβλέψεων και υποστηρίζοντας τις στρατηγικές συναλλαγών. Η μελλοντική έρευνα θα μπορούσε να διερευνήσει την ενσωμάτωση της εκμαίευσης εμπειρογνωμόνων με DBNs, συνδυάζοντας τις γνώσεις των εμπειρογνωμόνων με μεθόδους που βασίζονται σε δεδομένα για τη μείωση της υποκειμενικότητας και της εξάρτησης από μεγάλα σύνολα δεδομένων. Ενώ αυτή η μελέτη επικεντρώθηκε σε εξωτερικούς παράγοντες και παράγοντες της αγοράς, συμπεριλαμβανομένων των τιμών, των μακροοικονομικών μεταβλητών και των δεδομένων των μέσων κοινωνικής δικτύωσης, για τη μοντελοποίηση της συμπεριφοράς των κρυπτονομισμάτων και τον περιορισμό της πολυπλοκότητας του δικτύου, οι μελλοντικές εργασίες μπορεί να εξετάσουν το ενδεχόμενο ενσωμάτωσης ειδικών δεικτών blockchain (όπως ο ρυθμός κατακερματισμού και ο όγκος συναλλαγών) για τον περαιτέρω εμπλουτισμό του χώρου των χαρακτηριστικών και ενδεχομένως τη βελτίωση της ακρίβειας των προβλέψεων. Δεδομένου ότι τα κρυπτονομίσματα είναι ευαίσθητα σε εξωτερικούς κλυδωνισμούς - όπως μακροοικονομικά γεγονότα ή παγκόσμιες κρίσεις όπως η COVID-19 - η δυναμική της αγοράς μπορεί να αλλάξει γρήγορα, με αποτέλεσμα διαφορετικά καθεστώτα πριν και μετά από τέτοια γεγονότα. Η τρέχουσα μελέτη μας επικεντρώνεται στη συνολική προγνωστική απόδοση σε όλο το εύρος των δεδομένων. Ως μελλοντική επέκταση, η αξιολόγηση της συμπεριφοράς του DBN υπό ρητά καθορισμένες μεταβάσεις καθεστώτος παραμένει πολύτιμη κατεύθυνση για περαιτέρω έρευνα. Επιπλέον, τα DBNs - με την ικανότητά τους να μοντελοποιούν χρονικές εξαρτήσεις - προσφέρουν ένα πολλά υποσχόμενο πλαίσιο για την ανίχνευση και την προσαρμογή σε τέτοιες μετατοπίσεις καθεστώτος [72]. Ένας σημαντικός παράγοντας που επηρεάζει τα μοντέλα πρόβλεψης της τεχνητής νοημοσύνης είναι η συχνότητα των χρονικών πλαισίων που χρησιμοποιούνται για τα χαρακτηριστικά. Ενώ αυτή η μελέτη χρησιμοποιεί δεδομένα ενδοημερήσιων τιμών, η διερεύνηση υψηλότερων συχνοτήτων, όπως διαστήματα τεσσάρων ωρών ή μίας ώρας, θα μπορούσε να επηρεάσει την ακρίβεια του DBN. Η μελλοντική έρευνα θα μπορούσε να διερευνήσει τον τρόπο με τον οποίο τα διαφορετικά χρονικά πλαίσια επηρεάζουν την απόδοση του DBN σε διάφορες συνθήκες της αγοράς, συμπεριλαμβανομένων των αγορών ταύρων και αρκούδων, όπου τα κρυπτονομίσματα συμπεριφέρονται διαφορετικά.
Αυτό το άρθρο προέρχεται από μετάφραση του άρθρου: Dynamic Bayesian Networks for Predicting Cryptocurrency Price Directions: Uncovering Causal Relationships από τα αγγλικά και δημοσιεύεται με βάση την άδεια CC BY 4.0 Attribution 4.0 International Creative Commons.
Διαβάστε επίσης:
Πρόβλεψη τιμών κρυπτονομισμάτων με μεθόδους μηχανικής μάθησης και νευρωνικών δικτύων.