فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی نوسانات قیمت رمزارزها یک موضوع مهم و در عین حال چالش برانگیز است. با توجه به خصوصیات غیرخطی و ویژگی تغییرات زمانی عوامل مختلفی که بر قیمت رمزارزها تأثیر می گذارند، این مطالعه یک روش جدید برای پیش‌بینی نوسانات قیمت ارائه می‌نماید. در این روش، دو تکنیک مهم ترکیب شده‌اند. یکی از آن‌ها مدل‌های خودرگرسیون واریانس ناهمسان تعمیم‌یافته (GARCH) کلاسیک است که اطلاعات آماری مفیدی را درباره نوسانات قیمت، به صورت فشرده و از طریق پیش‌بینی‌های GARCH ارائه می‌کند.تکنیک دوم مدل‌های یادگیری ماشین است. عملکرد بهتر ترکیب مدل‌های GARCH و یادگیری ماشین در پیش‌بینی نوسانات در بازارهای مختلف مانند انرژی، فلزات اصلی و به خصوص بازارهای سهام، نسبت به هر یک از مدل‌ها بصورت جداگانه ثابت شده است. برای تأیید این فرضیه در بازار رمزارزها، در این مطالعه مدل‌های مختلفی بر اساس خانوده GARCH و شبکه حافظه کوتاه‌مدت طولانی (LSTM) طراحی و عملکرد آن‌ها در پیش‌بینی نوسانات یک رمزارز منتخب ارزیابی شده است. سپس، مدل‌های ترکیبی مختلف ساخته شده که خروجی‌های چهار مدل GARCH، EGARCH، Gjr-GARCH و TARCH، با سه فرض مختلف برای توزیع باقیمانده‌ها به شبکه LSTM تغذیه شده است. به عبارت دیگر، مدل‌های GARCH به عنوان استخراج کننده ویژگی استفاده شده اند و مدل‌های یادگیری ماشین یک دنباله از ویژگی‌های استخراج شده را به عنوان ورودی خود برای تولید نوسانات آتی به کار گرفته‌اند. نتایج نشان می‌دهد که پیش‌بینی‌های مدل‌های یادگیری ماشین بصورت جداگانه، نه تنها پیش‌بینی‌های مدل‌های GARCH را با هر فرض توزیع بهبود می‌بخشند، بلکه پیش‌بینی‌های مدل‌های GARCH به عنوان ویژگی‌های اطلاعاتی قابل توجه، قابلیت بهبود محسوسی را در پیش‌بینی مقادیر نوسان آتی توسط مدل‌های ترکیبی یادگیری ماشین دارند.