اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,048 |
| تعداد دریافت فایل اصل مقاله | 6,961,204 |
امکانسنجی و ارزیابی عملکرد الگوریتم فراابتکاری ترکیبیGPC - FHOدر مقایسه با الگوریتم MO برای بهینهسازی شبکه پرسپترون چند لایه در پیشبینی روند قیمتی بیتکوین در شرایط بحران اقتصادی و نوسانات بازار | ||
| پژوهشهای راهبردی بودجه و مالیه | ||
| دوره 6، شماره 4 - شماره پیاپی 24، بهمن 1404، صفحه 61-87 اصل مقاله (1.42 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| آیدین ابوطالبی1؛ کامبیز پیکارجو* 2؛ ابراهیم رضایی3؛ رحیم خانیزاد4 | ||
| 1دانشجوی دکتری، گروه اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2استادیار، گروه علمی اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 3دانشیار، پژوهشکده تحقیق و توسعه علوم انسانی، سازمان سمت، تهران، ایران | ||
| 4استادیار، دانشکده مدیریت، اقتصاد و مهندسی پیشرفت، دانشگاه علم و صنعت ایران، تهران، ایران | ||
| تاریخ دریافت: 12 مرداد 1404، تاریخ بازنگری: 28 شهریور 1404، تاریخ پذیرش: 18 آذر 1404 | ||
| چکیده | ||
| رمزارزها، بهویژه بیتکوین، بهعنوان داراییهای دیجیتال مبتنی بر فناوری بلاکچین، به دلیل ویژگیهایی همچون غیرمتمرکز بودن، شفافیت تراکنشها و سرعت انتقال، توجه روزافزون سرمایهگذاران و پژوهشگران مالی را به خود جلب کردهاند. با این حال، این بازار ذاتاً با نوسانات شدید همراه است و تحتتأثیر عوامل اقتصادی، سیاسی و فناوری قرار دارد. این موضوع در شرایط بحران اقتصادی ایران، ناشی از تحریمهای بینالمللی، نوسانات نرخ ارز و تورم بالا، اهمیت توسعه مدلهای پیشبینی دقیقتر را دوچندان میسازد. هدف این پژوهش امکان سنجی و ارزیابی عملکرد الگوریتمهای فراابتکاری در بهینهسازی شبکههای عصبی مصنوعی جهت پیشبینی روند قیمتی بیتکوین است. در این راستا، الگوریتم ترکیبی شاهین آتشین- ساخت اهرام جیزه (FHO–GPC) با الگوریتم بهینهساز گاومیش مشکی (MO) مورد استفاده قرار گرفت و داده ها به دو بخش آموزش (۸۰ ) و آزمون (۲۰ ) تقسیم شدند. پارامترهای شبکه عصبی پرسپترون چندلایه (MLP) توسط این الگوریتمها بهینهسازی شدند؛ بهگونهای که FHO جستجوی سراسری را انجام داده و GPC بهینهسازی موضعی را بر عهده داشت. یافتهها نشان داد که الگوریتم MO با کاهش معنادار شاخصهای خطا (RMSE) و (MAE) و افزایش ضریب تعیین (R²)، عملکرد دقیقتری نسبت به مدل ترکیبی ارائه کرده است. این برتری بهویژه در شرایط پرنوسان و بحرانی اقتصاد ایران برجستهتر بود. نتایج این پژوهش بیانگر آن است که الگوریتم MO میتواند بهعنوان رویکردی کارآمد برای بهبود دقت پیشبینی و کاهش ریسک سرمایهگذاری در بازارهای مالی نوظهور و پرریسک مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| شبکه عصبی پرسپترون چندلایه؛ الگوریتمهای فراابتکاری؛ الگوریتم شاهین آتشین (FHO)؛ الگوریتم ساخت اهرام جیزه (GPC)؛ پیشبینی قیمت بیتکوین | ||
| عنوان مقاله [English] | ||
| Feasibility and Performance Evaluation of the Hybrid Metaheuristic FHO–GPC versus the MO Algorithm for Optimizing MLP Networks to Predict Bitcoin Price Trends under Economic Crisis and Market Volatility | ||
| نویسندگان [English] | ||
| aidin aboutalebi1؛ kambiz peykarjou2؛ ebrahim rezaei3؛ rahim khanizad4 | ||
| 1Ph.D. Student in Monetary Economics, Department of Economic, SR.C., Islamic Azad University, Tehran, Iran | ||
| 2Assistant professor, Department of Economic, SR.C., Islamic Azad University, Tehran, Iran | ||
| 3Associate Professor, Institute for Research and Development in Humanities, SAMT Organization, Tehran, Iran | ||
| 4Assistant Professor, Economics and Progress Engineering, Iran University of Science and Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Cryptocurrencies, particularly Bitcoin, as digital assets based on blockchain technology, have increasingly attracted the attention of investors and financial researchers due to features such as decentralization, transaction transparency, and rapid transfer. However, this market is inherently subject to high volatility and is strongly influenced by economic, political, and technological factors. This challenge becomes even more critical in the context of Iran’s economic crisis, caused by international sanctions, currency fluctuations, and high inflation, which highlights the necessity of developing more accurate prediction models. The aim of this study is to assess the feasibility and evaluate the performance of metaheuristic algorithms in optimizing artificial neural networks for forecasting Bitcoin price trends. To this end, the hybrid Fire Hawk Optimizer–Giza Pyramids Construction (FHO–GPC) algorithm was compared with the Moth Ox Optimizer (MO), and the dataset was divided into training (80%) and testing (20%) subsets. The parameters of a multilayer perceptron (MLP) neural network were optimized using these algorithms; specifically, FHO performed the global search, while GPC carried out local optimization. The findings revealed that the MO algorithm, by significantly reducing error metrics (RMSE and MAE) and increasing the coefficient of determination (R²), delivered more accurate results compared to the hybrid model. This superiority was particularly evident under Iran’s volatile and crisis-driven economic conditions. Overall, the results suggest that the MO algorithm can serve as an effective approach for enhancing prediction accuracy and reducing investment risk in emerging and high-risk financial markets | ||
| کلیدواژهها [English] | ||
| Multilayer Perceptron Neural Network, Metaheuristic Algorithms, Flaming Hawk Optimization (FHO), Giza Pyramids Construction (GPC), Bitcoin Price Prediction | ||
| مراجع | ||
|
الهام، ع.، فاطمه، خ.، و بهزاد، ه. (1401). طراحی مدلی مشارکتی با استفاده از الگوریتمهای هوش مصنوعی به منظور پیشبینی قیمت بیتکوین. دومین کنفرانس مکانیک، برق، مهندسی هوافضا و علوم مهندسی. بازیابی از https://civilica.com/doc/1448408/
صیادی، ن. س.، اسماعیلزاده، ع.، و رضایی، م. (1402). ارائه مدل پیشبینی بازدهی بیتکوین با استفاده از روش هیبریدی یادگیری عمیق–الگوریتم تجزیه سیگنال (CEEMD–DL). اقتصاد مالی، 17(62)، 217-238.
محمدی نژاد پاشاکی, محمدباقر, & اقبال نیا, محمد. (1402). بررسی و تحلیل اثر تحریم های اقتصادی در سرریز نوسان به بازارهای سهام، ارز و سکه طلا. پژوهشهای راهبردی بودجه و مالیه, 4(2), 149-173.
جواهری, شیما, شعبانی, احمد, & قائمی اصل, مهدی. (1403). بررسی سرریزی بازدهی در سه بازار ارز، رمز ارز و بورس تهران با به کار گیری مدل خود رگرسیون برداری با پارامترهای متغیر طی زمان (TVP-VAR). پژوهشهای راهبردی بودجه و مالیه, 5(1), 31-56.
Al Hwaitat, A. K., & Fakhouri, H. N. (2024). The OX Optimizer: A novel optimization algorithm and its application in enhancing support vector machine performance for attack detection. Symmetry, 16(8), 966. https://doi.org/10.3390/sym16080966
Azizi, M., Talatahari, S., & Gandomi, A. H. (2023). Fire Hawk Optimizer: A novel metaheuristic algorithm. Artificial Intelligence Review, 56(1), 287–363. https://doi.org/10.1007/s10462-022-10183-7
Harifi, S., Mohammadzadeh, J., Khalilian, M., & Ebrahimnejad, S. (2021). Giza Pyramids Construction: An ancient-inspired metaheuristic algorithm for optimization. Evolutionary Intelligence, 14(4), 1743–1761. https://doi.org/10.1007/s12065-021-00574-4
Hussein, N., & Abdulazeez, A. M. (2024). Bitcoin price prediction using hybrid LSTM–GRU models. International Journal of Computer Science, 13(1), 1–15.
Shahbazi, Z., & Byun, Y.-C. (2022). Knowledge discovery on cryptocurrency exchange rate prediction using machine learning pipelines. Sensors, 22(5), 1740. https://doi.org/10.3390/s22051740
Ajiga, D. I., et al. (2024). Machine learning for stock market forecasting: A review of models and accuracy. Journal of Finance and Data Science, 6(2), 112–124.
T., X., et al. (2024). Applying machine learning algorithms to predict the stock price trend in the stock market: The case of Vietnam. Journal of Economic Studies, 11(1), 33–49. | ||
|
آمار تعداد مشاهده مقاله: 395 تعداد دریافت فایل اصل مقاله: 51 |
||