طراحی مدلی جهت پیش بینی بازده بیت‌کوین (با تاکید بر مدل‌های ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدل‌های با حافظه بلندمدت)

محورهای موضوعی : مهندسی مالی

محمد جواد بختیاران ¹ (گروه علوم اقتصادی، دانشکده مدیریت و اقتصاد ، دانشگاه تربیت مدرس،تهران، ایران)
مهدی ذوالفقاری ² (گروه علوم اقتصادی، دانشکده مدیریت و اقتصاد ، دانشگاه تربیت مدرس، تهران، ایران)

تاریخ دریافت : 1399/08/18 تاریخ پذیرش : 1399/10/24 تاریخ انتشار : 1400/04/01

کلید واژه: پیش‌بینی, خانواده GARCH, مدل ترکیبی, بیت‌کوین, شبکه ترکیبی عصبی کانولوشنی و بازگشتی,

چکیده مقاله :

پژوهش حاضر به معرفی ‌مدل‌هایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدل‌سازی و پیش‌بینی بازدهی روزانه بیت‌کوین طی دوره 1398-1392 می‌پردازد. وجود ویژگی ‌حافظه ‌بلندمدت‌ در واریانس ‌شرطی بازدهی بیت‌کوین موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌های ‌دارای ‌حافظه ‌کوتاه‌مدت GARCH و EGARCH در این ‌پژوهش از مدل‌های FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده ‌گردد. علاوه بر بکارگیری مدل‌های حافظه کوتاه‌مدت، با توجه به کارایی بهتر مدل‌های ترکیبی (در مقایسه با مدل‌های فردی) در پیش‌بینی داده‌های مالی، در این مطالعه، تمامی مدل‌های خانواده GARCH (اعم از کوتاه‌مدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدل‌های ترکیبی حاصل‌شده، بازده بیت‌کوین برای 10 روز آینده به‌صورت گام‌به‌گام پیش‌بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته‌های پژوهش نشان داد که مدل‌ ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش‌بینی بازده بیت‌کوین کارآمدتر و دارای خطای پیش‌بینی ‌کمتری نسبت به سایر مدل‌های رقیب است.

چکیده انگلیسی:

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.