Journal of Operational Research and Its Applications

fa ارایه‌ی مدل پیش‌بینی یادگیری گروهی با استفاده از شبکه‌های عصبی عمیق برای رمز ارز بیت‌کوین Developing a Group Learning Prediction Model Using Deep Neural Networks for Bitcoin Cryptocurrency تخصصي Special پژوهشي Research  بیت کوین به عنوان ابزاری مالی برای داد و ستد و ذخیره‌ی پول، به طور گسترده‌ای در کشورهای مختلف جهان مورد توجه قرار گرفته است. همچنین بیت کوین به عنوان طلای رمزارزها قیمت سایر رمزارزها را تحت تاثیر قرار می‌دهد. از این رو پیش‌بینی کارایی آن دارای اهمیت فراوانی می‌گردد و فهم ساخت مدل‌هایی که بتواند از نظر پیش‌بینی عملکرد مناسبی را ارایه دهد، بسیار مورد توجه قرار می‌گیرد. در این راستا در پژوهش فوق، ما به ارایه‌ی پنج مدل در نه دوره‌ی مطالعاتی با داده‌های سری زمانی پرداخته‌ایم. که چهار مدل اول شامل مدل‌های شبکه‌های عصبی عمیق LSTM، GRU،  TCN و BiLSTM می‌گردد و مدل پنجم یک مدل پیشنهادی یادگیری گروهی می‌باشد. پس از ساخت این مدل‌ها و تحلیل یافته‌های مربوط به آنها، مدل‌های پیش‌بینی تجمیعی با استفاده از خروجی تمامی‌این مدل‌ها و داده‌های واقعی ایجاد گردیده است. در نهایت نتایج این پژوهش نشان داده است که تمامی‌مدل‌ها در تمامی‌نه دوره‌ی مطالعاتی عملکردی مناسب و قابل قبول داشته‌اند، اما مدل‌های مربوط به یادگیری گروهی از هر مدل منفردی در تمامی ‌نه دوره عملکرد بهتری داشته‌اند.   Bitcoin, as a financial instrument for trading and storing value, has gained widespread attention across various countries around the world. Recognized as the “gold” of cryptocurrencies, Bitcoin influences the price movements of other digital assets; therefore, forecasting its performance is of considerable importance. Understanding how to construct models that are capable of delivering reliable predictive outcomes has consequently become a central research focus. In this study, we develop five predictive models across nine time periods using time-series data. The first four models consist of deep neural network architectures, including LSTM, GRU, TCN, and BiLSTM, while the fifth model is a proposed ensemble-learning model. After constructing these models and analyzing their outputs, aggregated predictive models are generated using the outputs of all individual models along with the actual observed data. The findings of this research indicate that all models yield satisfactory and acceptable performance across the nine study periods; however, the ensemble learning models consistently outperform each individual model in all nine periods.   <div><div id="ftn1"></div></div> شبکه های عصبی عمیق, یادگیری گروهی, بیت کوین Deep Neural Networks, Ensemble Learning, Bitcoin. 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2135-1&slc_lang=fa&sid=1 H. Mombeini حسین ممبینی h.mombein@gmail.com 100319475328460011854 100319475328460011854 No Department of Finance, Banking and Insurance, Central Tehran Branch, Islamic Azad University, Tehran, Iran گروه بانکداری و بیمه، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران. E. Abolfathi احسان ابوالفتحی Fathiehsan514@gmail.com 100319475328460011855 100319475328460011855 No Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran گروه مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران A. A. Anvary Rostamy علی اصغر انواری رستمی anvary@modares.ac.ir 100319475328460011856 100319475328460011856 Yes Department of Planning and Management, Tarbiat Modares University, Tehran, Iran گروه برنامه‌ریزی و مدیریت، دانشگاه تربیت مدرس، تهران، ایران