مطالعات مدیریت کسب و کار هوشمند
مطالعات مدیریت کسب و کار هوشمند

پشتیبانی تصمیم در بازار رمزارزها با احتمالات شرطی: بیشینه درست‌نمایی و شبکه‌های باور بیزی

نوع مقاله : مقاله پژوهشی

نویسندگان

رضا حسینقلی زاده 1
محمود البرزی 2
عباس طلوعی اشلقی 3
حمید ضرغام بروجنی 4

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

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

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

4 دانشیار گروه مدیریت جهانگردی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

https://doi.org/10.22054/ims.2025.83291.2549
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

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 3
Hamid Zargham Boroujeni 4
1 Ph.D. Candidate in Information Technology Management, Department of Information Technology Management, Science and Research branch, Islamic Azad University, Tehran, Iran.
2 Associate Professor, Department of Information Technology Management, Science and Research branch, Islamic Azad University, Tehran, Iran.Corresponding Author: mahmood_alborzi@yahoo.com
3 Professor, Department of Information Technology Management, Science and Research branch, Islamic Azad University, Tehran, Iran.
4 Associate Professor, Department of Tourism Management, 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
  1. 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
  2. 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

  1. 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
  2. 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
  3. 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
  4. 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/
  5. 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
  6. 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
  7. Fama, E. F. (1965). The behavior of stock-market prices. Journal of Business, 38(1), 34-105. https://doi.org/10.1086/294743
  8. Friedman, N., Geiger, D., & Goldszmit, M. (1997). Bayesian network classifiers. Machine Learning, 29(2-3), 131-163. https://doi.org/10.1023/A:1007465528199
  9. 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
  10. 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
  11. Jensen, F. V., & Nielsen, T. D. (2007). Bayesian networks and decision graphs. Springer. https://doi.org/10.1007/978-0-387-68282-0
  12. 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
  13. 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
  14. 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
  15. McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman & Hall/CRC. https://doi.org/10.1201/9781315133156
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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
  22. Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann. https://doi.org/10.1016/C2009-0-27609-4
  23. 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
  24. 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
  25. 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
  26. 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
  27. 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
  28. Zhou, X. H., Obuchowski, N. A., & McClish, D. K. (2011). Statistical methods in diagnostic medicine . Wiley. https://doi.org/10.1002/9780470906514

 

مطالعات مدیریت کسب و کار هوشمند
دوره 14، شماره 53
پاییز 1404
صفحه 205-238

  • تاریخ دریافت 21 آذر 1403
  • تاریخ بازنگری 17 خرداد 1404
  • تاریخ پذیرش 18 خرداد 1404

اعضای هیات تحریریه

ارسال مقاله

هزینه بررسی مقاله ها

تماس با ما