طراحی مدلی جهت پیش بینی بازده بیت کوین (با تاکید بر مدل های ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدل های با حافظه بلندمدت)

پژوهش حاضر به معرفی مدل هایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدل سازی و پیش بینی بازدهی روزانه بیت کوین طی دوره ۱۳۹۸-۱۳۹۲ می پردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیت کوین موجب شده تا علاوه بر مدل های دارای حافظه کوتاه مدت GARCH و EGARCH در این پژوهش از مدل های FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدل های حافظه کوتاه مدت، با توجه به کارایی بهتر مدل های ترکیبی (در مقایسه با مدل های فردی) در پیش بینی داده های مالی، در این مطالعه، تمامی مدل های خانواده GARCH (اعم از کوتاه مدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدل های ترکیبی حاصل شده، بازده بیت کوین برای ۱۰ روز آینده به صورت گام به گام پیش بینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافته های پژوهش نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیش بینی بازده بیت کوین کارآمدتر و دارای خطای پیش بینی کمتری نسبت به سایر مدل های رقیب است.

کلیدواژه ها:

بیت کوین ، پیش بینی ، خانواده GARCH ، شبکه ترکیبی عصبی کانولوشنی و بازگشتی ، مدل ترکیبی