نوع مقاله : مقاله پژوهشی
نویسندگان
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
موضوعات
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
- حبیبی راد امین، پناهی علی. (1400). تبیین رابطه قیمت بیت‌کوین در مبادلات مالی کسب‌وکارها و حجم جستجو به‌منظور شناسایی الگوی رفتاری آن: یک مطالعه تطبیقی بین کشورها.مطالعات مدیریت کسب‌وکار هوشمند, 10(37), 347-372. doi: 10.22054/ims.2021.61455.1982
- حسینقلی زاده رضا، البرزی محمود، طلوعی اشلقی عباس، ضرغام بروجنی، حمید. (1401). پویایی عقاید ذی‌نفعان گردشگری ایران در مواجهه با گردشگران چینی. فصلنامه مطالعات مدیریت گردشگری، 17(60), 47-77. doi: 10.22054/tms.2022.69532.2746
References
- Amirzadeh, R., Nazari, A., Thiruvady, D. R., & Ee, M. S. (2023). Modelling determinants of cryptocurrency prices: A Bayesian network approach. arXiv preprint. https://doi.org/10.48550/arXiv.2303.16148
- Amirzadeh, R., Thiruvady, D., Nazari, A., & Ee, M. S. (2024). Dynamic Bayesian networks for predicting cryptocurrency price directions: Uncovering causal relationships. arXiv preprint arXiv:2306.08157. https://doi.org/10.48550/arXiv.2306.08157
- Ayitey Junior, M., Appiahene, P., Appiah, O., & Bombie, C. N. (2023). Forex market forecasting using machine learning: Systematic literature review and meta-analysis. Journal of Big Data, 10(1), Article 9. https://doi.org/10.1186/s40537-022-00676-2
- Beato, F. (2024). US unveils new tools to withstand encryption-breaking quantum. World Economic Forum. Retrieved from https://www.weforum.org/stories/2024/08/us-tools-encryption-breaking-quantum-computing-nist/
- Durga, P. V. V., & Anusha, G. (2024). Predicting cryptocurrency price using multiple deep learning models. In Accelerating Discoveries in Data Science and Artificial Intelligence I (pp. 247–258). Springer. https://doi.org/10.1007/978-3-031-51167-7_24
- Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486
- Fama, E. F. (1965). The behavior of stock-market prices. Journal of Business, 38(1), 34-105. https://doi.org/10.1086/294743
- Friedman, N., Geiger, D., & Goldszmit, M. (1997). Bayesian network classifiers. Machine Learning, 29(2-3), 131-163. https://doi.org/10.1023/A:1007465528199
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
- Heckerman, D. (1995). A tutorial on learning with Bayesian networks. Machine Learning, 20(3), 197–243. https://doi.org/10.1007/BF00994016Hexn. (2024). Understanding Ethereum 2.0: Improving scalability and security. Hexn. Retrieved from https://hexn.io/blog/what-you-need-to-know-about-ethereum-20-225
- Jensen, F. V., & Nielsen, T. D. (2007). Bayesian networks and decision graphs. Springer. https://doi.org/10.1007/978-0-387-68282-0
- Levenchuk, L. (2022). The Bayesian approach to analysis of financial operational risk. Finance, 10(2), 123–135. https://doi.org/10.21303/2313-8416.2022.002377
- Liu, R., Yang, B., Zio, E., & Chen, X. (2018). Artificial intelligence for fault diagnosis of rotating machinery: A review. Mechanical Systems and Signal Processing, 108, 33–47. https://doi.org/10.1016/j.ymssp.2018.02.016
- Lorenz, G. (2024). Regulating decentralized financial technology: A qualitative study on challenges and opportunities in the DeFi space. Stanford Journal of Blockchain Law & Policy, 8(1). https://doi.org/10.21428/96c8d426.8f7b8a3b
- McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman & Hall/CRC. https://doi.org/10.1201/9781315133156
- McCloskey, S. (2000). Probabilistic reasoning and Bayesian networks. Neural Networks and Machine Learning, Winter 1999-2000. Retrieved from https://www.cim.mcgill.ca/~scott/RIT/researchPaper.html
- Margaritis, D. (2005). Learning Bayesian Network Model Structure from Data. [PhD Thesis]. Retrieved from https://www.cs.cmu.edu/~dmarg/Papers/PhD-Thesis-Margaritis.pdf. DOI: 10.5555/12345678
- Minka, T. P. (2000). Expectation propagation for approximate Bayesian inference. Proceedings of the 17th Conference on Uncertainty in Artificial Intelligence, 362-369. https://doi.org/10.5555/2073878
- Mironeanu, A., Irimia, B., Săndulescu, V., & Teodoroiu, C. (2021). The impact of Tesla’s bitcoin investment and its plans to accept it as a payment method on the evolution of bitcoin. Proceedings of the International Conference on Business Excellence, 15, 58-74. https://doi.org/10.2478/picbe-2021-0007
- Mohan, K., & Pearl, J. (2018). Graphical models for processing missing data. arXiv preprint arXiv:1801.03583. https://doi.org/10.48550/arXiv.1801.03583Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann. https://doi.org/10.5555/56670
- Ozili, P. K. (2022). Decentralized finance research and developments around the world. Journal of Banking and Financial Technology, 6(1), 117–133. https://doi.org/10.1007/s42786-022-00044-x
- Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann. https://doi.org/10.1016/C2009-0-27609-4
- Polotskaya, K., Muñoz-Valencia, C. S., Rabasa, A., Quesada-Rico, J. A., Orozco-Beltrán, D., & Barber, X. (2024). Bayesian networks for the diagnosis and prognosis of diseases: A scoping review. Machine Learning and Knowledge Extraction, 6(2), 1243–1262. https://doi.org/10.3390/make6020058
- Poudel, S., Paudyal, R., Cankaya, B. et al. (2023). Cryptocurrency price and volatility predictions with machine learning. J Market Anal 11, 642–660. https://doi.org/10.1057/s41270-023-00239-1
- Saha, V. (2023). Predicting future cryptocurrency prices using machine learning algorithms. Journal of Data Analysis and Information Processing, 11(4), 400–419. https://doi.org/10.4236/jdaip.2023.114021
- Sebastião, H., & Godinho, P. (2021). Forecasting and trading cryptocurrencies with machine learning under changing market conditions. Financial Innovation, 7(1), Article 3. https://doi.org/10.1186/s40854-020-00217-x
- Zellner, M., Abbas, A. E., Budescu, D. V., & Galstyan, A. (2021). A survey of human judgement and quantitative forecasting methods. Royal Society Open Science, 8(2), 201187. https://doi.org/10.1098/rsos.201187
- Zhou, X. H., Obuchowski, N. A., & McClish, D. K. (2011). Statistical methods in diagnostic medicine . Wiley. https://doi.org/10.1002/9780470906514
)