استراتژیهای سرمایهگذاری ارزهای دیجیتال مبتنی بر شبکه Q عمیق با استفاده از تقریبکننده تابع ترانسفورماتور
| عنوان | استراتژیهای سرمایهگذاری ارزهای دیجیتال مبتنی بر شبکه Q عمیق با استفاده از تقریبکننده تابع ترانسفورماتور |
|---|---|
| نویسنده | آلایگوت، تن |
| تاریخ انتشار: | 2024 |
| موضوع | ارزهای دیجیتال، تجزیه و تحلیل سرمایه گذاری، سرمایه گذاری، پردازش داده ها، یادگیری عمیق (یادگیری ماشین)، انتقال وجوه الکترونیکی، مهندسی کامپیوتر |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 8d97a4ce-8562-4b23-a09d-119797e9685b |
| محل کتابخانه | گروه علوم کامپیوتر |
| تاریخ | 2024 |
| متن نمونه | رمزارزها اخیراً به عنوان یک کلاس سرمایه گذاری جایگزین آشکارتر شده اند، زیرا عمدتاً غیرمتمرکز و شفاف هستند. از آنجایی که ارزهای دیجیتال دارای ویژگیهای منحصربهفردی هستند و نوسانات بیشتری دارند، ما باید رویکردهای جدیدی را برای پیشبینی دقیقتر قیمت و استراتژیهای سرمایهگذاری سودآورتر توسعه دهیم. روش های یادگیری عمیق از جمله یادگیری تقویتی عمیق و ترانسفورماتورها به طور قابل توجهی توجه بیشتری را به خود جلب کرده اند. در اینجا، ما به Reincrypt میرسیم که شبکه Q-Deep (DQN) را با تقریب عملکرد شبکه عصبی ترانسفورماتور بینایی (ViT) اعمال میکند، که در آن دادههای سری زمانی یکبعدی را با استفاده از مجموعهای از شاخصهای مهم تحلیل فنی به دادههای تصویر مانند مقیاس خاکستری تبدیل میکنیم. چنین دادههای تغییر یافته به عنوان ورودی در چارچوب ما برای پیشبینی قیمتهای مختلف ارزهای دیجیتال استفاده میشوند. برای تثبیت فرآیند یادگیری مدل و افزایش عملکرد آن، از تکنیکهایی مانند انجماد پارامتر و بازپخش تجربه استفاده میکنیم. یافته های دقیق ما نشان می دهد که روش پیشنهادی در پیش بینی تغییرات قیمت ارزهای دیجیتال موفق است. به طور کلی، روش ما نه فقط بیت کوین، بلکه در ارزهای رمزپایه مختلف سود به همراه دارد. وقتی پرتفوی های تشکیل شده در نتیجه خروجی روش خود را تجزیه و تحلیل می کنیم، قبل از در نظر گرفتن هزینه های تراکنش برای ارزهای دیجیتال، تقریباً 0.5٪ بازدهی در هر تراکنش به دست می آوریم. علاوه بر این، حتی زمانی که روش خود را بر روی یک ارز دیجیتال متفاوت آموزش میدهیم، میتوانیم قیمتهای آتی ارزهای دیجیتال را پیشبینی کنیم. در این مورد، ما میتوانیم روش خود را در مورد ارزهای دیجیتال پرمعامله و مایع مانند بیتکوین آموزش دهیم و عملکرد آن را روی ارزهای دیجیتال جایگزین نسبتاً کمارزشتر آزمایش کنیم. با توجه به این نتایج، روشهای پیشبینی قیمت ارزهای دیجیتال مبتنی بر یادگیری عمیق را میتوان برای ارزهای دیجیتال جایگزین استفاده کرد، حتی اگر دادههای کمتری برای این داراییها داریم. başladı. Kripto paraların benzersiz özelliklere sahip olmaları ve daha oynak olmaları nedeniyle, daha doğru fiyat tahmini ve daha karlı yatırım stratejileri geliştirmek için yeni yaklaşımlar geliştirmemiz gerekiyor. دیرین اوغرنمه یونتملری آراسیندا اوزللیکله درین تکویه اوغرنمسی و دونوشتوروکولر dikkat çekici derecede daha fazla ilgi görmeye başladı. Burada، bir Derin Q-Ağı (DQN) ile bir görüş dönüştürücü (ViT) sinir ağı تابع yaklaşımını uygulayan Reincrypt ile karşınıza çıkıyoruz. Burada, önemli teknik analiz göstergelerinden oluşan bir set kullanarak, tek boyutlu zaman serisi verilerini 2D gri tonlamalı görüntü benzeri verilere dönüştürüyoruz. بویله دونوشتورولموش وریلر، چشیتلی کریپتو پارا فیات هارکتلرینی تهمین اتمک ایچین چرچوومیزده گیردی اولاراک آلیناکک. Modelin öğrenme sürecini stabilize etmek ve performansını artırmak için parametre dondurma ve deneyim tekrarı gibi teknikler kullanıyoruz. Detaylı bulgularımız، önerilen yöntemin kripto para fiyatlarındaki değişiklikleri tahmin etmede başarılı oluğunu gösteriyor. Genel olarak, yöntemiz sadece Bitcoin değil, farklı kripto paralarda da kar sağlıyor. Yöntemimizin çıktısı sonucunda oluşturulan portföyleri analiz ettiğimizde، işlem başına islem maliyetlerini dikkate almadan yaklaşık %0.5 گتیری اولده ادییوروز. Ayrıca, yöntemimizi farklı bir kripto para üzerinde eğittiğimizde gelecekteki kripto para fiyat hareketlerini tahmin edebildiğimizi görüyoruz. Bu durumda, yöntemimizi Bitcoin gibi yüksek işlem hacmine ve likiditeye sahip kripto paralar üzerinde eğitip, performansını nispeten daha az likit alternatif kripto paralarda test edebiliriz. Bu sonuçlara göre، derin öğrenme tabanlı kripto para fiyat hareketi tahmin yöntemleri، bu varlıklar için daha az veriye sahip olsak bile alternatif kripto paralar için kullanılabilir. |
