طراحي مدلي جهت پيش بيني بازده بيت‌كوين (با تاكيد بر مدل‌هاي تركيبي شبكه عصبي كانولوشني و بازگشتي و مدل‌هاي با حافظه بلندمدت)

Designing a model for predicting bitcoin returns (with emphasis on hybrid models of convolutional and recursive neural networks and models with long-term memory)

پژوهش حاضر به معرفي مدل هايي از تركيب خانواده GARCH با حافظه بلندمدت و شبكه تركيبي عصبي كانولوشني و بازگشتي، جهت مدل سازي و پيش بيني بازدهي روزانه بيت كوين طي دوره 1398-1392 مي پردازد. وجود ويژگي حافظه بلندمدت در واريانس شرطي بازدهي بيت كوين موجب شده تا علاوه بر مدل هاي داراي حافظه كوتاه مدت GARCH و EGARCH در اين پژوهش از مدل هاي FIGARCH و FIEGARCH كه داراي ويژگي حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بكارگيري مدل هاي حافظه كوتاه مدت، با توجه به كارايي بهتر مدل هاي تركيبي (در مقايسه با مدل هاي فردي) در پيش بيني داده هاي مالي، در اين مطالعه، تمامي مدل هاي خانواده GARCH (اعم از كوتاه مدت و بلندمدت) با شبكه تركيبي عصبي كانولوشني و بازگشتي تركيب و با استفاده از مدل هاي تركيبي حاصل شده، بازده بيت كوين براي 10 روز آينده به صورت گام به گام پيش بيني و دقت آن براساس معيارهاي ارزيابي مورد بررسي قرار گرفت. يافته هاي پژوهش نشان داد كه مدل تركيبي FIEGARCH- شبكه عصبي با توزيع تي- استيودنت در پيش بيني بازده بيت كوين كارآمدتر و داراي خطاي پيش بيني كمتري نسبت به ساير مدل هاي رقيب است.

Finding the best way to optimize the portfolio is one of the concerns of activists in the investment management industry. In recent years, the introduction of economic and mathematical models in the prediction of Bitcoin has helped many investors to optimize portfolios. Therefore, in this study, we introduce models of GARCH family composition and recurrent and convolutional neural network to predict the daily yield of Bitcoin will be paid during the period of 1398-1392. In this study, the Bitcoin is examined using GARCH and EGARCH short-term memory models. Of the two variables, the price of crude oil and the Gold as factors that their shocks and fluctuations have a major impact on Bitcoin are used as control variables. In addition to using long-term memory models, considering the better performance of combined models (compared to individual models) In anticipation In this study, all models of the GARCH family (both short and long run) with the recurrent and convolutional neural network were combined and using the combined models, the efficiency of the Bitcoin for the next 10 days were predicted step by step and its accuracy Based on the evaluation criteria.