چکیده:
در جامعه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یه های دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی قیمت بیتکوین برای تعیین روندقیمتی و معاملات مهم است. برای ا ین کار رو شهای سنتی و نیز روش های مبتنی بر یادگیری ماشین مختلفیارایه شده است که هرکدام مزایا و معا یب خود را دارن د. اخیرا استفاده از مد لهای ترکیبی مورد توجه قرارگرفته است. روش های ترکیبی کارایی مناسبی داشته و از مزایای روش های ترکیب شده استفاده میکنند. دراین مقاله، یک روش ترکیبی مبتنی بر شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی با حذف تصادفیاحتمالی ارایه م یشود. حذف تصادفی احتمالی موجب منظمسازی یادگیری و پرهیز از بیش برازش شده وموجب کاهش خطای مدل م یشود. نتایج آزمایشهای انجام گرفته نشاندهنده دقت بالاتر روش پیشنهادینسبت به رو شهای مورد مقایسه در پیشبینی قیمت بیت کوین دارد .
In today's society, investment diversity has become very important. People reduce investment risk by diversifying their portfolios. Bitcoin has gained much popularity as one of the digital capitals and has been included in the investment portfolio of individuals and institutions. Bitcoin price prediction is essential for determining price trends and transactions. For this purpose, various traditional methods as well as methods based on machine learning have been presented, each of which has its own advantages and disadvantages. Recently, the use of hybrid models has received attention. Combined methods have good efficiency and use the advantages of combined techniques. This paper presents a hybrid method based on a deep convolutional neural network and recurrent neural network with probabilistic dropout. Eliminating possible randomness leads to the regularization of learning, avoids overfitting, and reduces model error. The results of the experiments show that the proposed method has a higher accuracy than the compared methods in predicting the price of Bitcoin.