--

18(4)2023

Áp dụng hồi quy Ridge và mạng nơron nhân tạo để dự báo giá ICO sau sáu tháng


Tác giả - Nơi làm việc:
Trần Kim Toại - Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh , Việt Nam
Võ Thị Xuân Hạnh - Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh , Việt Nam
Võ Minh Huân - Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh , Việt Nam
Tác giả liên hệ, Email: Trần Kim Toại - toaitk@hcmute.edu.vn
Ngày nộp: 27-11-2021
Ngày duyệt đăng: 18-04-2022
Ngày xuất bản: 22-02-2023

Tóm tắt
ICO (Initial Coin Offering) là phương thức huy động vốn đầu tư cho dự án tiền số. Những nhà đầu tư mua đồng tiền này ở thời điểm chưa phát hành với mức giá cực kỳ rẻ. Sau đó, các đồng tiền này được niêm yết lên sàn giao dịch, giá của chúng sẽ tăng lên cực kỳ nhanh nếu đồng tiền này tốt. Đánh giá ICO sau sáu tháng phát hành là khoảng thời gian nhà đầu tư mong đợi thu được lợi nhuận. Tập dataset gồm 109 ICO được xây dựng từ các website uy tín sau bước tiền xử lý dữ liệu. Phân tích tương quan giữa 12 đầu vào cho thấy dữ liệu gặp vấn đề đa cộng tuyến, điều này dẫn đến làm sai lệch kết quả của mô hình hồi quy bội. Hiện tượng quá khớp xảy ra khi sử dụng mô hình hồi quy bội. Để khắc phục những hạn chế của mô hình hồi quy bội, phương pháp hồi quy Ridge giải quyết được các vấn đề dữ liệu ICO này. Mô hình mạng neuron nhân tạo giải quyết mối quan hệ phi tuyến phức tạp giữa đầu vào và giá ICO. Bằng cách hiệu chỉnh tham số để đạt được hiệu năng tốt nhất theo ba thước đo hiệu năng Root Mean Square Error, Rsquares và Mean Absolute Error, kết quả chỉ ra thuật toán hồi quy ridge với tập kiểm tra với 3 ICO đạt được độ chính xác từ 63% tới 92% giá ICO, mô hình mạng neuron nhân tạo dự báo độ chính xác 98% giá trị thật tùy theo thước đo được sử dụng.

Chỉ số JEL
G110; G170; G410

Từ khóa
dự đoán ICO; hồi quy ridge; hồi quy tuyến tính; ICO; mạng neuron nhân tạo

Toàn văn:
PDF

Trích dẫn:

Tran, T. K., Vo, H. T. X., & Vo, H. M. (2023). Áp dụng hồi quy Ridge và mạng nơron nhân tạo để dự báo giá ICO sau sáu tháng [Applying ridge regression and ANN to predict ICO price after six months]. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh – Kinh tế và Quản trị Kinh doanh, 18(4), 131-144. doi:10.46223/HCMCOUJS.econ.vi.18.4.2104.2023


Tài liệu tham khảo

Ahmed, I. (2021). Forecasting the early market movement in Bitcoin using Twitter’s sentiment analysis: An ensemblebased prediction model. 2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). doi:10.1109/IEMTRONICS52119.2021.9422647


Anchaya, C., Nathee, N., Somsak, C., Piyachat, U., Jutharut, C., & Nopasit, C. (2020).Can Tweets predict ICO success? Sentiment analysis for success of ICO whitepaper: Evidence from Australia and Singapore Markets. In 15th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP) (pp. 01-05). doi:10.1109/iSAI-NLP51646.2020.9376810


Bugra, C., & Bernat, S. D. (2018). Analysis of success factors for initial coin offering and automatisation of whitepaper analysis using text-mining algorithm. Truy cập ngày 10/09/2021 tại https://upcommons.upc.edu/bitstream/handle/2117/169757/MEMOIRE% 20MAJEURE%20DIGITAL_BugraCetingok_BernatSerraDeola.pdf?sequence=1&isAllowed=y


Burns, L., & Moro, A. (2018). What makes an ICO Successful? An investigation of the role of ICO characteristics, team quality and market sentiment. Truy cập ngày 10/09/2021 tại https://deliverypdf.ssrn.com/delivery.php?ID=963020092123086109012084120066026073033078047010022006094075126002102126011024115007006058039044111113028125000083121067004101123082069048092106127069094099089003125073013044098100124103075010126126100123085122100001090025082089121109027024083125109117&EXT=pdf&INDEX=TRUE


Chen, M., Challita, U., Saad, W., Yin, C., & Debbah, M. (2019). Artificial neural networks - Based machine learning for wireless networks: A tutorial. IEEE Communications Surveys & Tutorials, 21(4), 3039-3071.


Deanna, N. G. (2018). Ridge regression and multicollinearity: An in-depth review. SAS Global Forum. doi:10.3233/MAS-180446


Fisch, C. (2019). Initial Coin Offerings (ICOs) to finance new ventures: An exploratory study. Journal of Business Venturing, 34(1), 1-22.


Hartmann, F., Grottolo, G., Wang, X., & Lunesu, M. I. (2019). Alternative fundraising, success factors for blockchain-based vs. conventional crowdfunding. IEEE International Workshop on Blockchain Oriented Software Engineering (IWBOSE). doi:10.1109/IWBOSE.2019.8666515


Hartmann, F., Wang, X., & Lunesu, M. I. (2018). A hierarchical structure model of success factors for (blockchain-based) crowdfunding. In Blockchain and web 3.0 (pp. 270-308). doi:10.4324/9780429029530-16


Jigar, P.,Sahil, S., Priyank, T., & Kotecha, K. (2015). Predicting stock market index using fusion of machine learning techniques. In Expert systems with applications (pp. 2162-2172). doi:10.1016/j.eswa.2014.10.031


Maria, I. L., & Omar, D. (2020). ICO evaluation websites analysis. IWBOSE, 48-56. doi:10.1109/IWBOSE50093.2020.9050259


Mingxi, L., Guowen, L., Jianping, L., Xiaoqian, Z., & Yinhong Y. (2020) Forecasting the price of Bitcoin using deep learning. Finance Research Letters, 40. doi:10.1016/j.frl.2020.101755


Myalo, A. S., & Glukhov, N. Y. (2019). Factors of success of initial coin offering. Empirical Evidence from 2016-2019, 23, 30-49. doi:10.26794/2587-5671-2019-23-5-30-49


Panin, A., Kemell, K.-K., & Hara, V. (2019). Initial Coin Offering (ICO) as a fundraising strategy: A multiple case study on success. ICSOB 2019: 10th International Conference of Software Business. doi:10.1007/978-3-030-33742-1_19


Yaohao, P., & Pedro, H. M. (2018). The best of two worlds: Forecasting high frequency volatility for cryptocurrencies and traditional currencies with Support Vector Regression. Expert Systems With Applications, 97, 177-192. doi:10.1016/j.eswa.2017.12.004



DOI: https://doi.org/10.46223/HCMCOUJS.econ.vi.18.4.2104.2023
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.