کاربرد الگوریتم های یادگیری ماشین جهت پیش بینی قیمت و مدیریت ریسک همزمان و بهینه برای پرتفوی مبتنی بر رمز ارز

بازار ارزهای دیجیتال به دلیل نوسانات بالا و پیچیدگی های ذاتی، چالش های منحصربه فردی را برای سرمایه گذاران و پژوهشگران ایجاد کرده است. این پژوهش با هدف توسعه روشی ترکیبی برای پیش بینی قیمت و بهینه سازی پرتفوی، به بررسی الگوریتم های پیشرفته یادگیری ماشین و بهینه سازی ازدحام ذرات پرداخته است. نتایج نشان می دهد که الگوریتم های یادگیری جمعی، به ویژه XGB، با دقت پیش بینی بالا (MSE=۰.۰۰۴۶) و بازده سالانه ۳۸.۵% بهترین عملکرد را دارند. پرتفوی بهینه شامل ترکیبی از رمزارزهای با ارزش بازاری بالا مانند BTC و رمزارزهای نوظهور مانند WLD است که تعادل مناسبی بین بازده و ریسک ایجاد می کند. این مطالعه محدودیت هایی مانند داده های محدود و عدم بررسی عوامل خارجی را شناسایی کرده و پیشنهاداتی از جمله استفاده از تحلیل احساسات و داده های زمانی واقعی برای تحقیقات آتی ارائه می دهد. این پژوهش راهنمایی برای سرمایه گذاران و پژوهشگران در توسعه ابزارهای پیشرفته مدیریت پرتفوی ارائه می کند.

Keywords:

ارزهای دیجیتال , پیش بینی قیمت , بهینه سازی یکپارچه پرتفوی , انتخاب ویژگی , الگوریتم ازدحام ذرات (PSO)