مسعود سلوکی - دانشجوی دکترای تخصصی مهندسی برق-کنترل، دانشکده فنی و مهندسی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
منصور پیمانی - دانشکده فنی و مهندسی ، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

بازار ارز دیجیتال یکی از بزرگترین بازار مبادله ارز در جهان است. سیستم های معاملاتی موجود مبتنی بر تحلیل تکنیکال از شاخص های فنی مشخصی برای فراهم کردن سیگنال های خرید/ فروش برای معامله گر تنها زمانی استفاده می کنند که ارزش شاخص از یک آستانه مشخص عبور کند. این شرایط سخت و حساس نسبت به اختلال را می توان از طریق مدیریت عدم قطعیت نشانگرها با استفاده از اعداد فازی برای ایجاد سیگنال های خرید/ فروش را با توابع عضویت فازی جایگزین کرد. به منظور دستیابی به این هدف، این مقاله روشی ترکیبی را بر اساس ماشین بردار حمایت چند کلاسی (EmcSVM) و NSGA-II فازی برای طبقه بندی روند و معاملات در بازارهای مالی به صورت کارآمد ارائه می کند. ابتدا، EmcSVM به منظور پیش بینی و طبقه بندی روند بازار آینده به سوی بالا، پایین و طرفین مورد استفاده قرار می گیرد. پس از آن، NSGA-II به منظور بهینه سازی فراپارامترهای سیستم معاملات فازی پیشنهادی شامل قوانین فنی متعدد و – یا خرید/ فروش برای بازارها با روند صعودی/ نزولی اعمال شده است. فراپارامترها شامل انتخاب شاخص در هر قانون، میزان اهمیت قوانین مختلف، و آستانه تصمیم گیری نهایی برای مدل های خرید/ فروش بوده، در حالیکه هدف به حداکثر رسانی میانگین بازگشت سرمایه (ROI) و به حداقل رسانی کاهش میانگین تمامی معاملات است. روش پیشنهادی با موفقیت توسعه یافته و روی داده های واقعی بازار ارزهای دیجیتال برای جفت ارز بیتکوین/ دلار در یک بازه زمانی ۶ ساله از ۲۰۱۵ تا ۲۰۲۰ مورد آزمایش قرار گرفته است. نتایج بدست آمده نشان می دهند که روش پیشنهادی عملکرد بهتری نسبت به سیستم های معاملاتی مشخص امروزی با دقتی برابر با ۸۰.۸ درصد، ۷۲.۴ درصد، ROI سالانه ۹۴.۱ درصد، و کاهش ۰.۵۸ درصد دارد.

کریپتوکرنسی، طبقه بندی روند، تحلیل فنی، یادگیری ترکیبی، منطق فازی، NSGA-II