سارا نیکنام

رشد سریع بازار رمزارزها و افزایش نقش دارایی های دیجیتال در نظام مالی جهانی، چالش های جدیدی را در زمینه ارزش گذاری و قیمت گذاری این دارایی ها ایجاد کرده است. برخلاف دارایی های مالی سنتی، رمزارزها فاقد جریان های نقدی مشخص و معیارهای متعارف ارزش گذاری هستند و قیمت آن ها تحت تأثیر عوامل متعددی از جمله شرایط بازار، رفتار سرمایه گذاران، حجم معاملات و متغیرهای اطلاعاتی قرار می گیرد. ازاین رو، طراحی مدل های نوین و هوشمند برای قیمت گذاری این دارایی ها به یکی از مسائل مهم پژوهشی تبدیل شده است. پژوهش حاضر با هدف طراحی مدل قیمت گذاری دارایی های دیجیتال با استفاده از یادگیری تقویتی عمیق در بازار رمزارزها انجام شده است. سؤال اصلی پژوهش این است که آیا یادگیری تقویتی عمیق می تواند مدلی کارآمد و دقیق برای قیمت گذاری دارایی های دیجیتال ارائه دهد؟ همچنین این پژوهش به بررسی این فرضیه ها می پردازد که استفاده از یادگیری تقویتی عمیق موجب بهبود دقت قیمت گذاری دارایی های دیجیتال می شود، قابلیت سازگاری مدل با شرایط متغیر بازار را افزایش می دهد و عملکردی بهتر از روش های سنتی قیمت گذاری ارائه می کند. این تحقیق از نظر هدف کاربردی و از نظر روش، کمی و مبتنی بر مدل سازی است. داده های تاریخی مربوط به قیمت، حجم معاملات و شاخص های بازار رمزارزها جمع آوری شده و با استفاده از الگوریتم های یادگیری تقویتی عمیق مورد تحلیل قرار گرفته اند. برای ارزیابی عملکرد مدل نیز شاخص های خطای پیش بینی و معیارهای سنجش کارایی مورد استفاده قرار گرفته است. نتایج پژوهش نشان می دهد که مدل پیشنهادی قادر است الگوهای پیچیده و غیرخطی بازار رمزارزها را شناسایی کرده و با یادگیری مستمر از محیط بازار، دقت بیشتری در قیمت گذاری دارایی های دیجیتال نسبت به روش های سنتی ارائه دهد. همچنین یافته ها بیانگر آن است که یادگیری تقویتی عمیق می تواند به عنوان ابزاری مؤثر در تصمیم گیری های مالی و مدیریت سرمایه گذاری در بازار رمزارزها مورد استفاده قرار گیرد.