بررسی مدلهای یادگیری ماشین در پیشبینی روند ارزهای دیجیتال

بازار ارزهای دیجیتال به دلیل نوسانات بالا و ماهیت پیچیده، خود پیش بینی روند قیمتی را به یک چالش اساسی برای پژوهشگران و سرمایه گذاران تبدیل کرده است. این پژوهش با هدف بهبود دقت پیش بینی، سه مدل یادگیری ماشین شامل XGBoost، جنگل تصادفی و ماشین های بردار پشتیبان را برای پیش بینی روند روزانه سه ارز بیت کوین، اتریوم و سولانا در سه طبقه بازده، منفی، خنثی و مثبت به کار گرفته است. داده های تاریخی از ۲۹ دسامبر ۲۰۲۴ تا ۳۱ ژوئیه ۲۰۲۵ از پایگاه یاهو فایننس استخراج و مجموعه ای از اندیکاتورهای تکنیکال به عنوان ویژگی های ورودی استفاده شد. برای بهبود عملکرد، هایپرپارامترهای هر مدل با روش بهینه سازی بیزی تنظیم گردید. نتایج نشان داد که مدل XGBoost با میانگین دقت ۶۷.۷۴٪ بهترین عملکرد را داشته است. این نتایج بیانگر آن است که ترکیب مدل های پیشرفته یادگیری ماشین با اندیکاتورهای متنوع و بهینه سازی، دقیق می تواند به بهبود قابل توجه دقت پیش بینی در بازارهای پرتلاطم مانند بازار ارز دیجیتال منجر شود.

Keywords:

ارز دیجیتال , یادگیری ماشین , پیش بینی , XGBoost , جنگل تصادفی , ماشین بردار پشتیبان