یک پرومته II نامتقارن برای تخصیص نمونه کارها رمزنگاری بر اساس پیش بینی بازگشت

تخصیص نمونه کارها ، انتخاب نمونه کارها و بهینه سازی نمونه کارها به عنوان سه مشکل اساسی در زمینه مالی شناخته می شوند. استفاده از معیارهای مختلف علاوه بر بازگشت و ریسک در مشکل تخصیص نمونه کارها بر اساس روش های تصمیم گیری چند معیار (MCDM) ، آن را در دنیای واقعی عملی تر می کند. ظهور دارایی های جدید و بی ثبات مانند ارزهای رمزپایه اخیراً نیاز به استفاده از مدل های تخصیص نمونه کارها را افزایش داده است. به منظور کاهش نابرابری ها و کاهش فقر به عنوان یکی از اهداف توسعه پایدار ، ساخت و ساز نمونه کارها رمزنگاری منجر به درآمد و ثروت پایدار می شود. در این مقاله یک مدل تخصیص نمونه کارها cryptocurrency بر اساس روش سازمان رتبه بندی ترجیح نامتقارن برای ارزیابی غنی سازی (Promethee II) با استفاده از هشت معیار و نه ارز رمزنگاری شده است. برای کاهش عدم اطمینان از مشکل ، پیش بینی بازگشت به دست آمده از میانگین متحرک یکپارچه خودکار (ARIMA) ، حافظه کوتاه مدت بلند مدت (LSTM) و مدل های رگرسیون جنگلی تصادفی (RFR) به عنوان معیارهای مرتبط با بازگشت و دارایاز Slidevar ، همراه با ارزش در معرض خطر (VAR) و ارزش مشروط در ریسک (C-VAR) به عنوان معیارهای مربوط به ریسک استفاده شده است تا بینش سرمایه گذار را از وضعیت بازار در نظر بگیرد. همچنین پیشنهاد شده است که یک تابع اولویت نامتقارن پیشنهاد شود تا عدم تقارن افزایش و از دست دادن را به عنوان یک پدیده رفتاری در مدل در نظر بگیرد. عملکرد خارج از نمونه مدل پیشنهادی در سه ماه گذشته سال 2021 ، برتری مدل پیشنهادی را از نظر میانگین بازده (0. 017) و انحراف استاندارد (= 0. 036) در بین سایر مدل های پیشنهادی تأیید می کند.

معرفی

کاهش نابرابری ها و کاهش فقر یکی از هفده گل است که توسط سازمان ملل متحد برای توسعه پایدار تدوین شده است. محدودیت ها ، از جمله تحریم ها ، موانع اساسی برای توزیع برابر و درآمد پایدار در برخی از کشورها ایجاد کرده است. علاوه بر این ، بسته شدن مشاغل ناشی از قرنطینه در طول همه گیر COVID-19 عامل دیگری است که بر توزیع برابر درآمد پایدار تأثیر می گذارد و نابرابری ها را افزایش می دهد. فناوری دیجیتال می تواند نقش مهمی در کاهش نابرابری ها داشته باشد. دسترسی به فناوری blockchain و ارزهای رمزنگاری شده با حداقل یک تلفن هوشمند می تواند توزیع و دستیابی به درآمد را بهبود بخشد و نابرابری ها را به عنوان یکی از اهداف توسعه پایدار ، به ویژه برای کشورهایی که در تحریم ها و مواردی مانند COVID-19 هستند ، کاهش دهد [1]. بنابراین ، افزایش سرمایه گذاری در بازار cryptocurrency به عنوان طبقه ای از دارایی های نوظهور منجر به توزیع مساوی درآمد و ثروت می شود. با توجه به نوسانات بالای بازار cryptocurrency ، تشکیل یک نمونه کارها منجر به پایداری درآمد و ثروت به دست آمده از سرمایه گذاری در ارزهای رمزنگاری می شود ، که این نیز با هدف دستیابی به اهداف توسعه پایدار انجام می شود.

محافظت از ارزش پول در برابر عواملی مانند افزایش تورم و نرخ کم بهره ، سرمایه گذاران را به سمت سرمایه گذاری در اشکال جایگزین سرمایه گذاری به جای موارد سنتی سوق می دهد. یک عملیات سرمایه گذاری کاری است که پس از تجزیه و تحلیل کامل ، نوید ایمنی اصلی و بازده رضایت بخش را می دهد [2]. به عنوان یک کلاس دارایی در حال ظهور ، ارزهای رمزپایه یک ارز دیجیتالی ویژه است که به صورت الکتریکی تولید و ذخیره می شود. انتقال این ارزها نیز در یک زمینه دیجیتال صورت می گیرد. بنابراین ، آنها محدود به زمان و موقعیت جغرافیایی خاص نیستند و به دلیل موجودی محدود آنها ، ارزش آنها با گذشت زمان کاهش نمی یابد [3]. بنابراین ، به عنوان یک طبقه جدید از دارایی ها ، آنها نوید بازده بالاتری را در همان سطح ریسک برای سرمایه گذاران برای محافظت از ارزش پول خود می دهند.

توسعه ابزارهای مختلف مالی از جمله گزینه ها ، آینده ها و رو به جلو ، ظهور بازارهای مختلف مالی ، از جمله بازارهای فارکس و رمزنگاری و پیشرفت در فناوری رایانه ، توجه محققان و بازرگانان را به مشکل تخصیص نمونه کارها جلب کرده است [4]بشراز طرف دیگر ، بازارهای مالی جهانی در نتیجه شیوع COVID-19 ، نوسانات قابل توجهی را تجربه کردند و بر اهمیت تنوع نمونه کارها برای سرمایه گذاران تأکید کردند. در میان دارایی های مالی در زمان اپیدمی ، قیمت بیت کوین و سایر آلتکین ها به شدت افزایش یافت و بسیاری از سرمایه گذاران نهادی بخش قابل توجهی از اوراق بهادار خود را به آنها اختصاص دادند [5]. در همین راستا ، مطالعات بسیاری در مورد روشهای ساخت و ساز نمونه کارها رمزنگاری متناسب با ویژگی های منحصر به فرد این طبقه دارایی ها انجام شده است [6] ، [7] ، [8] ، [9]. مدل میانگین واریانس (MV) [10] ، روشهای تصمیم گیری چند معیار (MCDM) [11] و مدل های یادگیری تقویت عمیق (DRL) [12] از جمله روشهای متداول برای اختصاص اوراق بهادار رمزنگاری هستند که هر کدام دارای این هستندمزایا و معایب. روش های MCDM ، به دلایلی مانند اجرای سریع و ساده ، یک پیکربندی ساده در صورت تغییر در ورودی ها ، عدم حساسیت وزن بهینه به ورودی ها [13] و امکان ترکیب خروجی سایر مدل ها با این روش ها استفاده می شودزمینه های حمل و نقل عمومی [14] ، [15] به متاور [14] ، [15]. در برنامه های مالی ، می تواند اهداف سرمایه گذاران را به خوبی در مشکلات تخصیص نمونه کارها برآورده کند.

مدل MV که توسط مارکوویتز [16] به عنوان پایه ای برای بهینه سازی نمونه کارها ارائه شده است ، فرض می کند که بازده دارایی ها از توزیع عادی پیروی می کند. در این مدل ، میانگین بازده تاریخی به عنوان مقدار مورد انتظار بازده دارایی برای تعیین وزن بهینه دارایی در نمونه کارها استفاده می شود. این مورد در مورد ارزهای رمزنگاری نشده است. از آنجا که بازده دارایی کوتاه مدت تحت تأثیر عوامل مختلفی از جمله احساسات سرمایه گذار است ، پیش بینی بازده به عنوان مقدار مورد انتظار بازده دارایی باید با مدلهای تخصیص نمونه کارها ترکیب شود تا به درستی وزن دارایی در نمونه کارها تعیین شود [17]. در مطالعات متعدد برای بهبود عملکرد مدلهای تخصیص نمونه کارها ، بازده پیش بینی شده به دست آمده از مدلهای آماری از جمله روشهای خانوادگی میانگین متحرک یکپارچه خودکار (ARIMA) ، مدل های مختلف ML از جمله Perceptron چند لایه (MLP) [18] ومدل های یادگیری عمیق (DL) ، از جمله حافظه کوتاه مدت بلند مدت (LSTM) [19] ، با مدل تخصیص نمونه کارها ترکیب شده اند. بازده پیش بینی شده باعث کاهش عدم قطعیت مشکل می شود و نتایج سودآورتر پیش بینی می شود.

با توجه به تأثیر بازتاب ارائه شده توسط Kahneman و Tversky [20] ، جلوگیری از ضرر یا ریسک ریسک ، انگیزه اصلی تصمیمات مالی سرمایه گذاران است و کسب همین سود کمتر در نحوه تصمیم گیری آنها تأثیر دارد. بنابراین ، تغییر ابزار سرمایه گذار برای میزان معینی ضرر بیش از همان سود است [21]. طبق مطالعات [22] ؛[23] ، افزایش در دارایی در یک دوره زمانی طولانی تر از همان میزان ضرر اتفاق می افتد. این همچنین به دلیل ارزیابی های مختلف سرمایه گذاران فردی از افزایش و از دست دادن است. با توجه به نوسانات زیاد بازار رمزنگاری ، توجه به این پدیده رفتاری سرمایه گذاران در ساخت و ساز نمونه کارها ضروری است.

هدف اصلی این مقاله ، ارزیابی عملکرد روش نامتقارن Promethee II برای تخصیص سبد رمزنگاری برای دستیابی به درآمد پایدار است که مطابق با یکی از اهداف توسعه پایدار است. در این راستا ، این مطالعه دو شکاف در ادبیات تخصیص نمونه کارها مبتنی بر MCDM را پر می کند. اول ، انتظارات رفتاری سرمایه گذار شامل عدم تقارن سود و از دست دادن یک سرمایه گذاری در فرمول ProMethee II برای ارزیابی گزینه های تصمیم گیری است. این عدم تقارن قبلاً در فرمولاسیون روش TODIM با ضریب میرایی بیان شده است [13] ، اما این اولین بار است که روش Promethee II است. علاوه بر این ، این مقاله بازده پیش بینی شده به دست آمده از مدلهای آماری ، ML و DL را به عنوان معیارهای تصمیم گیری در روش MCDM برای اولین بار ترکیب می کند. در نتیجه ، مدل پیشنهادی ما مزایای مدل های آماری ، ML و مدل DL را دارد و انتظارات رفتاری سرمایه گذاران در تخصیص نمونه کارها رمزنگاری را در نظر می گیرد. علاوه بر VAR و C-VAR ، از اسلایدوار نیز به عنوان یک اندازه گیری ریسک جدید در بازار رمزنگاری استفاده شده است.

بنابراین ، روش ما در این مطالعه شامل سه بخش اصلی از جمله انتخاب معیارها ، انتخاب گزینه های دیگر و انتخاب روش ارزیابی گزینه های دیگر است. در قسمت اول ، ما از مدل های ML به عنوان پیش بینی کننده معیارهای مرتبط با بازگشت برای کاهش عدم اطمینان از بازده استفاده کردیم. برای معیارهای مرتبط با ریسک ، ما از یک اندازه گیری ریسک مداوم برای پوشش مضرات واریانس استفاده کردیم. در بخش دوم ، ما از ارزهای رمزنگاری شده با تاریخی ترین داده ها به عنوان گزینه های دیگر برای استفاده از مزایای مدل های ML برای پیش بینی بازده استفاده کردیم. سرانجام ، در بخش سوم ، ما روش Promethee II را به سه دلیل برای ارزیابی گزینه های دیگر انتخاب کردیم:

1- روش Promethee II یک روش رتبه بندی است که رتبه بندی کلی گزینه های دیگر را در مقایسه با سایر گزینه ها ارائه می دهد. از آنجا که ما می خواهیم سرانجام با مقایسه ارزهای مختلف رمزنگاری با استفاده از این روش ، وزن خود را در سبد سرمایه گذاری بدست آوریم ، باید رتبه کلی ارزهای رمزنگاری شده انجام شود و این روش نیازهای ما را برآورده می کند.

2- این رویکرد در ادبیات برای تخصیص نمونه کارها رمزنگاری به کار رفته است و توانایی آن را در مقایسه با سایر روشهای MCDM نشان داده است. از آنجا که رفتار و ترجیحات سرمایه گذاران یک عامل اساسی در سرمایه گذاری است و در استفاده قبلی از این روش مورد غفلت واقع شده است ، در این مطالعه ، ما این روش را بر اساس عامل رفتاری توسعه دادیم تا ادبیات در این زمینه کامل تر شود.

3- از آنجا که مقایسه گزینه های سرمایه گذاری تا حد زیادی به رفتار و ترجیحات سرمایه گذاران بستگی دارد ، بنابراین عدم تقارن سود و از دست دادن یک تعصب مهم است که بر این مقایسه ها تأثیر می گذارد. عملکرد اولویت مورد استفاده در این روش می تواند برای این منظور باشد.

به طور خلاصه ، سهم اصلی این مطالعه به شرح زیر است:

انتظارات رفتاری سرمایه گذار عدم تقارن سود و از دست دادن سرمایه گذاری در چارچوب نامتقارن پرومته II برای تجزیه و تحلیل گزینه های دیگر محسوب می شود.

استفاده از مدل های پیش بینی به عنوان یک معیار تصمیم در چارچوب روشهای MCDM برای تخصیص نمونه کارها.

با استفاده از اسلاید-وار به عنوان معیار مربوط به ریسک در چارچوب روشهای MCDM.

روش یا چارچوب ارائه شده در این مطالعه می تواند به هر معیار مربوط به اهداف توسعه پایدار ، مانند نرخ هش ارزهای رمزنگاری شود.

بقیه مقاله به شرح زیر است: بخش 2 برخی از مطالعات مربوط به Cryptocurrency و تخصیص نمونه کارها را بر اساس روش های MCDM بررسی کرده و شکاف های تحقیق موجود برجسته شده است. در بخش سوم ، مدل پیشنهادی ما شرح داده شده است. در بخش 4 ، نتایج مدل های پیشنهادی و مقایسه ای ارائه شده است. نتیجه گیری و دستورالعمل های نهایی برای مطالعات آینده در بخش 5 مورد بحث قرار گرفته است.

قطعه قطعه

بررسی ادبیات

کار مرتبط در دو بخش مورد بررسی قرار می گیرد ، از جمله مطالعات در مورد ارزهای رمزپایه به عنوان کلاس دارایی های سرمایه گذاری و مطالعات در مورد ساخت و ساز نمونه کارها بر اساس روش های MCDM.

روش شناسی

سه مؤلفه اصلی تصمیم گیری چند معیار گزینه های جایگزین ، معیارها و روشهای ارزیابی جایگزین بر اساس معیارها است. ساختار مدل پیشنهادی ما در شکل 1 ارائه شده است. این بخش با توجه به ساختار پیشنهادی به چهار بخش تقسیم می شود ، از جمله تعیین گزینه های دیگر ، تعیین معیارها و محاسبه معیارهای فرعی ، تخصیص نمونه کارها با روش Promethee II نامتقارمدل های معیار و اقدامات ارزیابی.

آزمایشات و نتایج عددی

قیمت های نزدیک روزانه از 2017/01/01 تا 2022/01/01 در هر رمزنگاری جمع آوری می شود. جدول 4 آمار توصیفی در مورد ارزهای رمزپایه انتخاب شده را نشان می دهد. همانطور که مشاهده می شود ، حداکثر متوسط قیمت نزدیک روزانه برای BTC است ، با ارزش 15502. 97. XLM حداقل انحراف استاندارد از قیمت نزدیک را در بین ارزهای رمزنگاری شده ، 0. 15 نشان می دهد. علاوه بر این ، ETH ، NEO ، XLM و XRP حداکثر میانگین بازده روزانه را دارند و BTC دارای حداقل انحراف استاندارد روزانه است

تجزیه و تحلیل میزان حساسیت

حساسیت روشهای MCDM به پارامترهای ورودی و نظرات کارشناسان باید در توسعه مدل ها در نظر گرفته شود. جایی که پول سرمایه گذاران تحت تأثیر مهمتر می شوند. تجزیه و تحلیل حساسیت یکی از روشهای مؤثر تجزیه و تحلیل محاسباتی برای ارزیابی نتایج یک روش MCDM به دلیل تغییر در پارامترهای مدل است. تجزیه و تحلیل حساسیت اثرات تغییرات احتمالی در پارامترها و نظرات کارشناسان را بر نتایج مدل بررسی می کند. بنابراین ، این بخش ارائه می شود

نتیجه

ساخت و ساز نمونه کارها همواره توجه سرمایه گذاران را به خود جلب کرده است ، به همین دلیل موضوعی خوب مورد مطالعه در بین محققان است. ارزهای رمزنگاری شده اخیراً با نوسانات قیمت ، به ویژه پس از بیماری همه گیر Covid-19 ، به پرتفوی سرمایه گذاران اضافه شده است. با این حال ، به دلیل نوسانات بالای این کلاس دارایی در مقایسه با سایر دارایی های سنتی ، لازم است به مدلهای ساخت نمونه کارها توجه بیشتری داشته باشید. در این راستا ، این مقاله یک مدل تصمیم چند معیار را ارائه می دهد

بیانیه مشارکت در نویسندگی اعتباری

Sarfaraz Hashemkhani Zolfani: مفهوم سازی ، اعتبار سنجی ، تحقیق ، نوشتن - بررسی و ویرایش ، نظارت ، مدیریت پروژه. حسن مهتاری طاهری: مفهوم سازی ، روش شناسی ، اعتبار سنجی ، تحقیق ، نوشتن - پیش نویس اصلی. محمود غارهگوزلو: روش شناسی ، تحقیق ، نوشتن - پیش نویس اصلی. Alireza فراهانی: روش شناسی ، تحقیق ، نوشتن - پیش نویس اصلی.

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.