امکان سنجی و ارزیابی عملکرد الگوریتم فراابتکاری ترکیبیGPC - FHOدر مقایسه با الگوریتم MO برای بهینه سازی شبکه پرسپترون چند لایه در پیش بینی روند قیمتی بیت کوین در شرایط بحران اقتصادی و نوسانات بازار (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
رمزارزها، به ویژه بیت کوین، به عنوان دارایی های دیجیتال مبتنی بر فناوری بلاکچین، به دلیل ویژگی هایی همچون غیرمتمرکز بودن، شفافیت تراکنش ها و سرعت انتقال، توجه روزافزون سرمایه گذاران و پژوهشگران مالی را به خود جلب کرده اند. با این حال، این بازار ذاتاً با نوسانات شدید همراه است و تحت تأثیر عوامل اقتصادی، سیاسی و فناوری قرار دارد. این موضوع در شرایط بحران اقتصادی ایران، ناشی از تحریم های بین المللی، نوسانات نرخ ارز و تورم بالا، اهمیت توسعه مدل های پیش بینی دقیق تر را دوچندان می سازد. هدف این پژوهش امکان سنجی و ارزیابی عملکرد الگوریتم های فراابتکاری در بهینه سازی شبکه های عصبی مصنوعی جهت پیش بینی روند قیمتی بیت کوین است. در این راستا، الگوریتم ترکیبی شاهین آتشین- ساخت اهرام جیزه (FHO–GPC) با الگوریتم بهینه ساز 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 الگوریتم ها بهینه سازی شدند؛ به گونه ای که FHO جستجوی سراسری را انجام داده و GPC بهینه سازی موضعی را بر عهده داشت. یافته ها نشان داد که الگوریتم MO با کاهش معنادار شاخص های خطا (RMSE) و (MAE) و افزایش ضریب تعیین (R²)، عملکرد دقیق تری نسبت به مدل ترکیبی ارائه کرده است. این برتری به ویژه در شرایط پرنوسان و بحرانی اقتصاد ایران برجسته تر بود. نتایج این پژوهش بیانگر آن است که الگوریتم MO می تواند به عنوان رویکردی کارآمد برای بهبود دقت پیش بینی و کاهش ریسک سرمایه گذاری در بازارهای مالی نوظهور و پرریسک مورد استفاده قرار گیرد.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
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
تبلیغات
