بازگشت به جستجو

پیش‌بینی قیمت NFT و ویژگی‌های فروش با یادگیری انتقال ویژگی‌های بصری

عنوان	پیش‌بینی قیمت NFT و ویژگی‌های فروش با یادگیری انتقال ویژگی‌های بصری
نویسنده	سفر، امره، پالا، مصطفی
تاریخ انتشار:	2024-12
محل انتشار	- الزویر
موضوع	پیش بینی قیمت زمانی، یادگیری انتقال، یادگیری عمیق، بلاک چین، NFTs
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	2405-9188
شماره ثبت	5fc45ff2-987f-4875-92f1-60c68f5eddf2
محل کتابخانه	علوم کامپیوتر
تاریخ	2024-12
متن نمونه	توکن‌های غیرقابل تعویض (NFT) دارایی‌های دیجیتال منحصربه‌فردی هستند که مالکیت آن‌ها از طریق یک بلاک چین تعریف می‌شود. NFTها می توانند چندین اشیاء متمایز مانند هنر، تصاویر، ویدئوها و غیره را نشان دهند. اخیراً علاقه زیادی به تجارت آنها وجود داشته است که آنها را به نوع دیگری از سرمایه گذاری جایگزین تبدیل می کند. نوسانات ذاتی قیمت‌های NFT که به عواملی مانند سفته‌بازی بیش از حد، محدودیت‌های نقدینگی، نادر بودن و نوسانات بازار نسبت داده می‌شود، چالش‌هایی را برای پیش‌بینی دقیق قیمت ایجاد می‌کند. برای چنین تحلیل و پیش‌بینی، روش‌های یادگیری ماشین یک چارچوب راه‌حل قوی ارائه می‌کنند. در اینجا، ما بر روی سه مشکل پیش‌بینی مرتبط با NFT تمرکز می‌کنیم: پیش‌بینی قیمت فروش NFT، استنباط اینکه آیا یک NFT معین در فروش ثانویه شرکت خواهد کرد یا خیر، و پیش‌بینی تغییر قیمت فروش NFT در طول زمان. ما ویژگی‌های بصری NFT‌ها را با مدل‌های از پیش آموزش‌دیده عمیق تحلیل و یاد می‌گیریم و چنین دانش بصری را با ویژگی‌های مهم غیربصری اضافی مانند تاریخچه فروش، مرکزیت فروشنده و خریدار در شبکه معاملاتی و احتمال فروش مجدد مجموعه ترکیب می‌کنیم. ما NFT های ورودی را بر اساس ویژگی هایشان به شش دسته دسته بندی می کنیم. در آزمایش‌های دقیق، ویژگی‌های بصری به‌دست‌آمده از مدل‌های از پیش آموزش‌دیده عمیق برای افزایش عملکرد پیش‌بینی در همه موارد پیدا کردیم، و به نظر می‌رسد EfficientNet بهترین عملکرد را دارد. به طور کلی، CNN و XGBoost به طور مداوم از بقیه آنها در همه دسته ها بهتر عمل کردند. ما همچنین مجموعه داده‌های جدید NFT خود را با دانش قیمت زمانی منتشر می‌کنیم، که اولین مجموعه داده‌ای است که قیمت‌های NFT را در طول زمان و نه در یک نقطه زمانی واحد دارد.
DOI	10.1016/j.jfds.2024.100148
Cilt	10

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

پیش‌بینی قیمت NFT و ویژگی‌های فروش با یادگیری انتقال ویژگی‌های بصری

نویسنده سفر، امره، پالا، مصطفی

تاریخ انتشار 2024-12

محل انتشار - الزویر

موضوع پیش بینی قیمت زمانی، یادگیری انتقال، یادگیری عمیق، بلاک چین، NFTs

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 2405-9188

شماره ثبت 5fc45ff2-987f-4875-92f1-60c68f5eddf2

محل کتابخانه علوم کامپیوتر

تاریخ 2024-12

متن نمونه توکن‌های غیرقابل تعویض (NFT) دارایی‌های دیجیتال منحصربه‌فردی هستند که مالکیت آن‌ها از طریق یک بلاک چین تعریف می‌شود. NFTها می توانند چندین اشیاء متمایز مانند هنر، تصاویر، ویدئوها و غیره را نشان دهند. اخیراً علاقه زیادی به تجارت آنها وجود داشته است که آنها را به نوع دیگری از سرمایه گذاری جایگزین تبدیل می کند. نوسانات ذاتی قیمت‌های NFT که به عواملی مانند سفته‌بازی بیش از حد، محدودیت‌های نقدینگی، نادر بودن و نوسانات بازار نسبت داده می‌شود، چالش‌هایی را برای پیش‌بینی دقیق قیمت ایجاد می‌کند. برای چنین تحلیل و پیش‌بینی، روش‌های یادگیری ماشین یک چارچوب راه‌حل قوی ارائه می‌کنند. در اینجا، ما بر روی سه مشکل پیش‌بینی مرتبط با NFT تمرکز می‌کنیم: پیش‌بینی قیمت فروش NFT، استنباط اینکه آیا یک NFT معین در فروش ثانویه شرکت خواهد کرد یا خیر، و پیش‌بینی تغییر قیمت فروش NFT در طول زمان. ما ویژگی‌های بصری NFT‌ها را با مدل‌های از پیش آموزش‌دیده عمیق تحلیل و یاد می‌گیریم و چنین دانش بصری را با ویژگی‌های مهم غیربصری اضافی مانند تاریخچه فروش، مرکزیت فروشنده و خریدار در شبکه معاملاتی و احتمال فروش مجدد مجموعه ترکیب می‌کنیم. ما NFT های ورودی را بر اساس ویژگی هایشان به شش دسته دسته بندی می کنیم. در آزمایش‌های دقیق، ویژگی‌های بصری به‌دست‌آمده از مدل‌های از پیش آموزش‌دیده عمیق برای افزایش عملکرد پیش‌بینی در همه موارد پیدا کردیم، و به نظر می‌رسد EfficientNet بهترین عملکرد را دارد. به طور کلی، CNN و XGBoost به طور مداوم از بقیه آنها در همه دسته ها بهتر عمل کردند. ما همچنین مجموعه داده‌های جدید NFT خود را با دانش قیمت زمانی منتشر می‌کنیم، که اولین مجموعه داده‌ای است که قیمت‌های NFT را در طول زمان و نه در یک نقطه زمانی واحد دارد.

DOI 10.1016/j.jfds.2024.100148

Cilt 10