نوع مقاله : مقاله پژوهشی

نویسندگان

• رضا حسینقلی زاده ¹
• محمود البرزی ²
• عباس طلوعی اشلقی ¹
• حمید ضرغام بروجنی ³

¹ گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

² گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.نویسنده مسئول: mahmood_alborzi@yahoo.com

³ گروه مدیریت گردشگری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران.

چکیده

پیش‌بینی روند بازار رمزارزها به دلیل تفاوت‌های بنیادین با ارزهای سنتی، همواره چالشی بزرگ بوده است. این چالش به طور عمده ناشی از تأثیرات متقابل سیگنال‌های مرسوم، پیشرفت‌های فناوری اطلاعات و سیاست‌های کلان دولت‌ها بر پذیرش این ارزها است. این مقاله با رویکردی نوین، بجای تحلیل جداگانه یک یا چند رمزارز فرایندی در راستای حمایت از تصمیم ارائه می‌د‌هد که معیار آن مقبولیت عمومی بازار رمزارزها است. رویکرد پیشنهادی امکان تحلیل دقیق‌تر و واقع بینانه‌تری از روندهای بازار را فراهم می‌آورد. با استفاده از این فرآیند، می‌توان در هر بازه زمانی دلخواه، جداول راهنمای خرید یا فروش تولید کرد. در این مطالعه از دو ابزار تحلیلی، بیشینه درست‌نمایی و شبکه‌باور بیزی، استفاده شده است و امکان مقایسه این دو روش نیز مورد بررسی قرار گرفته است. در ضمن با تولید یک شبکه‌باور بیزی دیگر با قدرت یال‌های بالا، حاصل از شبکه‌های تولید شده، تصمیم‌گیری معاملات محتاطانه را مقدور می سازیم. این روش با استفاده از 1155 نقطه زمانی در هر هفته و 484 نقطه زمانی در هر روز از 21 رمزارز با بالاترین ارزش بازار در دو بازه سه‌ماهه پایانی سال 2024 و ماه-های مارس، اوریل و می 2025 اعتبارسنجی شده است. پژوهش حاضر فرآیندی را ارائه می‌دهد که با دقت، صحت، یادآوری و استحکام بالای مدل‌هایش، توانایی پشتیبانی تصمیمات خرید و فروش با میانگین دقت حداقل 78 درصد به‌صورت روزانه و 5/64 درصد به‌صورت هفتگی را دارد. این روش می‌تواند در سازگاری با پویایی و عدم‌قطعیت موجود این بازار به طور قابل توجهی مفید باشد.

کلیدواژه‌ها

• احتمالات شرطی
• رمزارز
• برآوری بیشینه درستنمایی
• شبکه باور بیزی
• پشتیبانی تصمیم

موضوعات

• مدیریت داده، اطلاعات و دانش در حوزه کسب‌وکار هوشمند

عنوان مقاله [English]

Decision Support in the Crypto currency Market with Conditional Probabilities: Maximum Likelihood and Bayesian Belief Networks

نویسندگان [English]

• Reza Hosseingholizadeh ¹
• Mahmood Alborzi ²
• Abbas Toloie Eshlaghy ¹
• Hamid Zargham Boroujeni ³

¹ Department of Information Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.

² Department of Information Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran. Corresponding Author: mahmood_alborzi@yahoo.com

³ Department of Tourism Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran.

چکیده [English]

Forecasting cryptocurrency market trends remains a significant challenge due to its fundamental differences from traditional currencies. This complexity arises from the interplay between conventional financial indicators, advancements in information technology, and government macroeconomic policies influencing market acceptance. This study introduces a novel decision support framework that, rather than analyzing individual cryptocurrencies, focuses on the overall acceptance of the cryptocurrency market. The proposed approach enables a more precise and realistic assessment of market trends, facilitating the generation of buy and sell guidance tables for any specified time interval. To achieve this, maximum likelihood estimation and Bayesian belief networks are employed, allowing for a comparative analysis of these methodologies. Additionally, a high-edge-strength Bayesian belief network is constructed from the generated networks to enhance prudent trading decisions. The method is validated using 1155 weekly and 484 daily time points across 21 cryptocurrencies with the highest market capitalization, covering two periods: the last quarter of 2024 and March–May 2025. The findings demonstrate that the proposed framework, with its high precision, accuracy, recall, and model robustness, supports buy and sell decisions with an average accuracy of at least 78% on a daily basis and 64.5% on a weekly basis. This approach offers a valuable tool for navigating the dynamic and uncertain nature of the cryptocurrency market.

کلیدواژه‌ها [English]

• conditional probabilities
• cryptocurrency
• maximum likelihood estimation
• Bayesian belief network
• decision support