چکیده:
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.
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.
خلاصه ماشینی:
علاوه بر بکارگيري مدل هاي حافظه کوتاه مدت ، با توجه به کارايي بهتر مدل هاي ترکيبي (در مقايسه با مدل هاي فردي) در پيش بيني داده هاي مالي، در اين مطالعه ، تمامي مدل هاي خانواده GARCH (اعم از کوتاه مدت و بلندمدت ) با شبکه ترکيبي عصبي کانولوشني و بازگشتي ترکيب و با استفاده از مدل هاي ترکيبي حاصل شده ، بازده بيت کوين براي ١٠ روز آينده به صورت گام به گام پيش بيني و دقت آن براساس معيارهاي ارزيابي مورد بررسي قرار گرفت .
بنابراين نوآوريهاي مقاله مذکور به ترتيب ذيل ميباشد: - توسعه ادبيات تحقيق در حوزه بازارهاي مالي جديد (رمزارزها نظير بيت کوين ) در مطالعات داخلي - توسعه مدل هاي حافظه بلندمدت FIGARCH و FIEGARCH - ارايه مدل ترکيبي خانواده GARCH - شبکه ترکيبي عصبي کانولوشني و بازگشتي - لحاظ متغيرهاي کنترلي قيمت طلا وقيمت نفت در مدل ترکيبي فرضيات پژوهش با توجه به اينکه سوالات اين مقاله پيمايشي ميباشد لذا پاسخ به سوالات در جريان تحقيق حاصل شده است .
با توجه به موجود بودن اين مطالعات در پيشينه مقاله ساير مقالات داخلي، در اين بخش صرفاً به بررسي مطالعات صورت گرفته با استفاده از مدل هاي ترکيبي شبکه عصبي و خانواده GARCH در پيش بيني نوسانات بازدهي داراييهاي مالي پرداخته ميشود.
نتايج حاصل شده نشان دهنده اين مطلب است که مدل هاي ترکيبي خانواده GARCH داراي حافظه بلندمدت با شبکه عصبي به طور خاص -RNN-CNN FIEGARCH-t در پيش بيني نوسان بازده بيت کوين کارآمدتر وداراي خطاي پيش بينيکمتري هستند.