پیش بینی قیمت بیت کوین روز بعدی

3 و

خلاصه

این مطالعه پیش بینی های قیمت بیت کوین را با استفاده از مدلهای میانگین متحرک یکپارچه (ARIMA) و شبکه عصبی (NNAR) تجزیه و تحلیل می کند. با استفاده از رویکرد پیش بینی استاتیک ، ما قیمت بیت کوین روز بعد را هم با و بدون ارزیابی مجدد مدل پیش بینی برای هر مرحله پیش بینی می کنیم. برای اعتبارسنجی متقابل نتایج پیش بینی ، ما دو نمونه آموزش و آزمایش متفاوت را در نظر می گیریم. در نمونه اول آموزش ، NNAR عملکرد بهتری نسبت به ARIMA دارد ، در حالی که Arima از NNAR در نمونه دوم تمرین می کند. علاوه بر این ، ARIMA با ارزیابی مجدد مدل در هر مرحله از NNAR در دو دوره پیش بینی نمونه آزمایش استفاده می کند. آزمون Diebold Mariano برتری نتایج پیش بینی مدل ARIMA نسبت به NNAR را در دوره های نمونه آزمایش تأیید می کند. عملکرد پیش بینی مدل های ARIMA با و بدون ارزیابی مجدد برای دوره های نمونه آزمون نمونه یکسان است. با وجود پیچیدگی NNAR ، این مقاله نشان دهنده قدرت ماندگار Arima پیش بینی قیمت بیت کوین بی ثبات است.

1. معرفی

بیت کوین ، اولین ارز غیر متمرکز و در حال حاضر بزرگترین ارز دیجیتال در جهان ، شبیه به پول کالاهای مصنوعی است که ویژگی های هر دو کالا (به عنوان مثال ، طلا) و Fiat Money (به عنوان مثال ، دلار آمریکا) را به اشتراک می گذارد (Selgin 2015). بیت کوین در سال 2008 توسط گروهی از برنامه نویسان با استفاده از نام مستعار "Satoshi Nakamoto" (Cheah and Fry 2015) معرفی شد. برخی استدلال می کنند که این ویژگی های اقتصادی محدود از طلا دارد و به عنوان طلای دیجیتال شناخته می شود (پوپر 2015). در همین حال ، پذیرش بیت کوین به دلیل ماهیت بدون اصطکاک ، عدم ارزش ذاتی و صادر کردن نامشخص هنوز قابل بحث است (سیایان و همکاران 2016). نوسانات قیمت بیت کوین آن را به یکی از سوداگرانه ترین ارز دیجیتال و شکل ضعیفی از "دارنده ارزش" تبدیل می کند. سرمایه گذاران به دلیل نوسانات زیاد و عدم اطمینان از قیمت بیت کوین می توانند سرمایه خود را از دست بدهند.

پوشش رسانه ای در مورد بیت کوین در سرمایه گذاران آماتور که منجر به یک ذهنیت قمار می شوند (رابرتز 2017). با این حال ، بیت کوین با سرمایه گذاران بزرگ نهادی که چشم به پتانسیل آن می اندازند وارد جریان اصلی می شوند. با وجود محدودیت های خود ، بیت کوین با ارزش ترین و محبوب ترین رمزنگاری تا به امروز است (کوربت و همکاران 2019).

قیمت بیت کوین از زمان شروع رمزنگاری بسیار بی ثبات بوده است (دوایر 2015). به دلیل نگرانی در مورد تجارت سوداگرانه ، در ژانویه سال 2018 ، فیس بوک تمام تبلیغات را برای بیت کوین و سایر ارزهای رمزنگاری ممنوع اعلام کرد (رابرتسون 2018). علاوه بر این ، کارشناسان در آینده نزدیک بحران مالی دیگری را پیش بینی می کنند که ناشی از رونق رمزنگاری است (لام و همکاران 2018). سقوط عمده قیمت بیت کوین را می توان با هک سایبری و سرکوب دولت آغاز کرد و می تواند هفته ها یا ماه ها طول بکشد تا عقب نشینی کند (رابرتز 2017). به طور معمول ، سرمایه گذاران قیمت بیت کوین آینده را بر اساس روندهای گذشته پیش بینی می کنند. اما پیش بینی قیمت بیت کوین آینده با دقت بالایی آسان نیست. قیمت بیت کوین به دلیل ماهیت سوداگرانه آن از یک الگوی رونق استفاده می کند (Cheah and Fry 2015). علاوه بر این ، سرمایه گذاران بیت کوین سوداگرانه و کوتاه مدت هستند (Salisu et al. 2019).

با توجه به تغییر قیمت مترقی و افزایش در کلاه بازار ، محبوبیت سرمایه گذاری در بیت کوین به طرز چشمگیری افزایش یافته است. در همین حال ، Urquhart (2016) دریافت که بیت کوین یک بازار ناکارآمد است. Caporale و همکاران.(2018) همچنین ناکارآمدی را در بازار رمزنگاری مشاهده می کند. در همین راستا ، به دلیل نوسانات قیمت بالا ، دلالان این سؤال عمومی را دارند که آیا قیمت بیت کوین را می توان از قبل پیش بینی کرد یا خیر.

تاکنون تلاش های محدودی در ادبیات برای پیش بینی قیمت بیت کوین صورت گرفته است. Katsiampa (2017) خوب بودن مدل های GARCH را برای قیمت بیت کوین مورد بررسی قرار داد اما پیش بینی نمونه را انجام نداد. Kristjanpoller و Minutolo (2018) یک مدل فرسوده هیبریدی را برای پیش بینی نوسانات قیمت بیت کوین ، ادغام شبکه عصبی مصنوعی (ANN) ، ناهمگونی مشروط اتوراء تعمیم یافته (GARCH) و تجزیه و تحلیل مؤلفه های اصلی (PCA) ارائه دادند. آنها دریافتند که دقت مدل ترکیبی پس از ترکیب پیش پردازش PCA افزایش می یابد. مشابه Katsiampa (2017) ، KristjanPoller و Minutolo (2018) نیز فقط عملکرد پیش بینی در نمونه را بررسی کردند. در همین حال ، Aalborg و همکاران.(2018) دریافت که بازده بیت کوین با استفاده از متغیرهای توضیحی (به عنوان مثال ، روند گوگل ، حجم معاملات ، حجم معاملات ، فهرست VIX و آدرسهای کاربر منحصر به فرد) قابل پیش بینی نیست.

با توجه به اینکه بیت کوین محبوب تر می شود ، اما هنوز بی ثبات و به خوبی توضیح داده نمی شود ، نیاز به مطالعه روشهای برای درک بهتر نوسانات قیمت آن وجود دارد. پیش بینی دقیق حرکات روزانه می تواند بازده معامله گران روز را افزایش داده و در نتیجه بازار را کارآمدتر کند. انتخاب مدل های پیش بینی می تواند تأثیر قابل توجهی در عملکرد داشته باشد (چن و همکاران 2019). ما با آزمایش میانگین متحرک یکپارچه خودگردان (ARIMA) و Autoregression شبکه عصبی (NNAR) به ادبیات پیش بینی بیت کوین کمک می کنیم. آریما یکی از روشهای سنتی پیش بینی است و NNAR یک رویکرد نسبتاً پیشرفته و مدرن تر برای پیش بینی است (Hyndman و Athanasopoulos 2018). برای اطمینان از اعتبار و اجرای ، همانطور که توسط Adya و Collopy (1998) پیشنهاد شده است ، ما از عملکرد پیش بینی بیت کوین سابق با استفاده از یک نمونه نسبتاً بزرگ استفاده می کنیم ، و نمونه های آموزش و آزمایش چندگانه برای نشان دادن ثبات نتایج پیش بینی. با رعایت این روش ، ما نتایج این مطالعه را با موارد ذکر شده در ابتدا متمایز می کنیم.

در بخش بعدی ، ما در مورد ادبیات موجود در مورد مدل سازی قیمت بیت کوین بحث می کنیم. بخش 3 داده های قیمت بیت کوین روزانه مورد استفاده در این مطالعه را ارائه می دهد. بخش 4 روشهای پیش بینی اتخاذ شده و اقدامات عملکرد را ارائه می دهد. تجزیه و تحلیل و یافته ها در بخش 5 ارائه شده است و اظهارات نهایی در بخش 6 بیان شده است.

2. بررسی ادبیات

بیت کوین محبوب ترین در میان ارزهای رمزپایه است (Kyriazis 2019). نوسانات اخیر در قیمت بیت کوین توجه محققان دانشگاهی را به خود جلب کرده است (بنکی و همکاران 2019). با توجه به NESCANCY این جریان تحقیق ، مطالعات قبلی در مورد بیت کوین و سایر ارزهای دیجیتال (به عنوان مثال ، Ethereum ، Litecoin ، Ripple) عمدتاً مفاهیم ، اصول و اقتصاد ارزهای رمزنگاری شده را توضیح می دهد (Segendorf 2014 ؛ Dwyer 2015 ؛ Becker et al. 2011). در میان نویسندگان ، دوایر (2015) به اصول بیت کوین و سایر ارزهای دیجیتالی مربوطه پرداخت. نویسنده در مورد عرضه و تقاضای ارزهای دیجیتال ، تعادل بیت کوین ، استفاده از بیت کوین در ازای کالاها و خدمات با رقابت با سایر ارزها توضیح می دهد (دوایر 2015). به همین ترتیب ، Brière و همکاران.(2015) ارتباط بیت کوین با سایر ارزهای رمزنگاری شده را بررسی کرد.

کلاه کل بازار بیت کوین تقریباً 237 میلیارد دلار (از 30 مارس 2018) است که تقریباً 42. 69 ٪ از کل سرمایه های بازار cryptocurrency (coinmarketcap.com) است. به همین ترتیب ، برخی از مطالعات پویایی قیمت بیت کوین را در نظر می گیرند (Brandvold et al. 2015 ؛ Ciaian et al. 2016). Brandvold و همکاران.(2015) کشف قیمت مبادلات بیت کوین را بررسی کرد و دریافت که دو مبادله-MT. GOX و BTC-E ، با حداکثر سهم اطلاعات در بازار پیشرو هستند. علاوه بر این ، سیایان و همکاران.(2016) با در نظر گرفتن عوامل تعیین کننده سنتی قیمت ارز ، اقتصاد اساسی قیمت بیت کوین را مورد مطالعه قرار داد. علاوه بر این ، Shubik (2014) و Rogojanu و Badea (2014) با در نظر گرفتن چالش های محیط اقتصادی ، بیت کوین را در تنظیم سیستم های پولی جایگزین مطالعه کردند. در همین حال ، Bouoiyour و Selmi (2014) ؛Bouoiyour و همکاران.(2014) و Yermack (2013) بیت کوین را به عنوان یک سرمایه گذاری سوداگرانه یا حباب سوداگرانه توصیف کردند. به همین ترتیب ، طبق گفته Yermack (2013) ، بیت کوین بیشتر مانند یک سرمایه گذاری سوداگرانه و نه ارز رفتار می کند. این امر نتواند ویژگی های ارز را به عنوان واسطه مبادله ، یک فروشگاه ارزش و یک واحد حساب برآورده کند. در همین راستا ، مولنار و همکاران.(2015) با مقایسه با سایر متغیرها ، به عنوان مثال ، طلا و یورو ، خطر نرخ ارز بیت کوین را مورد بررسی قرار داد و متوجه شد که بیت کوین از طلا و یورو بی ثبات تر و خطرناک تر است ، که کاربرد بیت کوین را به عنوان واسطه معامله محدود می کند. علاوه بر این ، بوری و همکاران.(2017) قیمت بیت کوین و نوسانات آن را بررسی کرد و در قیمت و نوسانات بیت کوین پایداری یافت.

از آنجا که نوسانات قیمت بیت کوین فوق العاده بالا است ، دلالان تلاش کلی دارند که آیا می توان قیمت بیت کوین آینده را پیش بینی کرد. قیمت بیت کوین یا پیش بینی بازگشت به دلیل ماهیت رونق خود ، توجه بیشتری را به خود جلب می کند. دلالان به دنبال ابزار و تکنیک هایی هستند که می توانند قیمت بیت کوین را با دقت بالاتر پیش بینی کنند ، حداقل بهتر از پیش بینی ساده لوح برای تعیین اوراق بهادار سرمایه گذاری خود در حاشیه سود. اکثر مطالعات مربوط به بیت کوین یا بر بازده قیمت و نوسانات متمرکز شده و بیت کوین را به عنوان یک سرمایه گذاری سوداگرانه یا حباب در نظر می گیرند (Bouoiyour and Selmi 2014 ؛ Bouoiyour et al. 2014 ؛ Yermack 2013). برخی از مطالعات خطر ، پرچین و پناهگاه های امن بیت کوین و اتریوم را در نظر می گیرند (بنکی و همکاران 2019 ، بوری و همکاران 2017). با این حال ، به بهترین دانش نویسندگان ، هیچ مطالعه ای در مورد پیش بینی قیمت بیت کوین نمونه آزمایش (نمونه خارج) وجود ندارد (همچنین به Corbet و همکاران 2019 مراجعه کنید). بنابراین ، این مطالعه یک رویکرد جدید برای پیش بینی قیمت روزانه بیت کوین با استفاده از هر دو با و بدون ارزیابی مدل در هر مرحله در حالی که مقایسه مدل های ARIMA و NNAR ارائه می دهد.

3. داده ها

داده های نرخ ارز بیت کوین روزانه (در هر بیت کوین) از پایگاه داده Quandl 1 جمع آوری می شود. داده های همان منبع توسط دیگران نیز استفاده شده است (چو و همکاران 2015). ما از داده های قیمت بیت کوین روزانه از 1 ژانویه 2012 تا 4 اکتبر 20182 ، قیمت روزانه بیت کوین 2466 روز استفاده می کنیم. شکل 1 (A) سری زمانی اصلی را به همراه (B) تبدیل شده به سیستم تبدیل شده و (ج) سری اول اپراتور ورود به سیستم ارائه می دهد. برای اثربخشی اعتبار سنجی پیش بینی (Adya and Collopy 1998) ، ما مجموعه داده ها را به یک نمونه آموزش (در نمونه) و نمونه آزمایش (نمونه خارج) تقسیم می کنیم. ما دو نمونه آموزش و متعاقباً نمونه های دو تست را برای اهداف اعتبار سنجی متقاطع در نظر می گیریم. اولین نمونه تمرینی از 1 ژانویه 2012 تا 14 مه 2013 (500 روز) و دوم از 1 ژانویه 2012 تا 25 ژوئن 2017 (2000 روز) است. در نتیجه ، اولین نمونه آزمون از 15 مه 2013 تا 4 اکتبر 2018 (روز 1966) و دومین مورد از 16 ژوئن 2017 تا 4 اکتبر 2018 (466 روز) است.

در پایان سال 2014 ، قیمت بیت کوین به میزان قابل توجهی به 302 دلار کاهش یافت (www.coindesk.com). علت کاهش قیمت تعلیق معاملات بیت کوین توسط کوهستان Gox ، یکی از صرافی های پیشرو بیت کوین بود که 70 ٪ از بورس بیت کوین را در آن زمان به عهده داشت. آنها گزارش دادند که حدود 850،000 بیت کوین هک شده است که متعلق به مشتریان است و حدود 3. 5 میلیارد دلار ارزش دارد (رابرتز 2017). این حادثه منجر به عدم اعتماد به سیستم امنیتی بیت کوین شد. بنابراین ، کاهش قیمت تا سال 2016 ادامه یافت. در آغاز سال 2017 ، قیمت بیت کوین به طرز چشمگیری افزایش یافت و در پایان سال 2017 قیمت بیت کوین در 19،661. 63 دلار افزایش یافت ، اما دوباره پس از پنج روز از 17 دسامبر 2017 به 12،616. 64 دلار کاهش یافت(www.coindesk.com).

ثابت بودن داده ها یک پیش نیاز برای مدل سازی پیش بینی کننده است ، به ویژه هنگام استفاده از مدل های سری زمانی خودکار مانند ARIMA. جدول 1 نتایج آزمایش ثابت نمونه های داده های آموزشی را با استفاده از آزمون افزودنی Dicky-Fuller (ADF) (دیکی و فولر 1979) و آزمون فیلیپس-پرورون (PP) نشان می دهد (فیلیپس و پررون 1988). داده ها ، هم در سطوح و هم در سری های تبدیل به سیستم ، ثابت نیستند اما در اولین اپراتور ورود به سیستم تفاوت دارند. بنابراین ، رویکرد مدل سازی ARIMA امکان پذیر است. ممکن است خاطرنشان شود که ثابت بودن داده ها برای مدل های شبکه عصبی ضروری نیست (Hyndman و Athanasopoulos 2018).

4. روش شناسی

4. 1روشهای پیش بینی

ارتباط قیمت بیت کوین با سایر شاخص های خرد و کلان اقتصادی مانند قیمت نفت و قیمت طلا هنوز مشخص نیست (Aalborg et al. 2018). بنابراین ، رویکرد مدل سازی تک متغیره ، جایی که داده ها برای خود صحبت می کنند (گجراتی و پورتر 2003) ، به ابزاری مناسب برای پیش بینی تبدیل می شود. علاوه بر این ، یک ارتباط مثبت بین مقادیر گذشته و آینده قیمت بیت کوین در ادبیات مشهود است (Caporale و همکاران 2018). با این حال ، میزان ارتباط با گذشت زمان متفاوت است (Caporale و همکاران 2018). بنابراین ، برآورد مجدد مدل پیش بینی هر بار برای پیش بینی یک مرحله ای با هر قیمت اضافی روزانه بیت کوین مرتبط می شود. علاوه بر این ، این نشانگر جوهر برای بررسی رویکرد غیرخطی است. بنابراین ، ما از دو مدل سری زمانی تک متغیره - Arima و NNAR استفاده می کنیم. کاربرد ARIMA را می توان در بسیاری از زمینه های مطالعاتی از جمله در امور مالی (Ariyo و همکاران 2014) ، حمل و نقل (Munim and Schramm 2017) ، Logistics (Miller 2018) و برق (Contreras et al. 2003) یافت. در همین حال ، از مدل های NNAR همچنین برای پیش بینی تابش جهانی خورشیدی (Benmouiza and Cheknane 2013) ، جریان رودخانه (ابراهارت و 2000) ، تقاضای گردشگری (آلوارز-دیاز و همکاران 2018) استفاده می شود. برای هر دو مدل ARIMA و NNAR ، ما پیش بینی قیمت بیت کوین روز بعد را با و بدون اینکه دوباره مدل پیش بینی را برای هر مرحله ارزیابی کنیم ، بررسی می کنیم. برای هدف محاسباتی ، از بسته پیش بینی (Hyndman و Khandakar 2007) در نرم افزار R استفاده کردیم.

4. 1. 1. اریما

Arima احتمالاً محبوب ترین روش هنگام پیش بینی سری زمانی است که در ابتدا توسط Box و Jenkins (1976) ساخته شده است. به طور معمول ، یک مدل ARIMA دارای دو مؤلفه است: یک مؤلفه اتورس (AR) و یک مؤلفه میانگین متحرک (MA). مدل های مؤلفه AR بین مقدار یک متغیر در یک زمان مشخص با مقدار آن در زمان (های) قبلی ارتباط برقرار می کنند ، و مدل های مؤلفه MA بین مقادیر خطا یک متغیر در یک زمان مشخص با مقدار اصطلاح خطای خود در قبلی ارتباط دارندبار). مؤلفه یکپارچه (i) هنگامی که سری زمانی پس از اختلاف اول (یا دوم) ثابت می شود ، مورد توجه قرار می گیرد. یک مدل ARIMA (P ، D ، Q) را می توان با معادله (1) نشان داد.

در اینجا ، Δ z t = z t - z t - 1 ؛z t قیمت بیت کوین در USD در زمان t ، z t - من قیمت بیت کوین در USD تمام دوره های قبلی است تا LAG P ، ∅ I پارامتر z t - i ، ε t اصطلاح خطا در زمان t ، ε t است- من اصطلاح خطا در تمام دوره های قبلی است تا اینکه تاخیر q و θ i پارامتر ε t - i باشد.

4. 1. 2. Autoregression شبکه عصبی (NNAR)

روشهای شبکه عصبی مصنوعی (ANN) در الگوی مشابه "نورون" در مغز به مدلهای ریاضی متکی هستند. مدل های ANN به طراحی ارتباطات غیر خطی پیچیده بین متغیر وابسته و پیش بینی کننده های آن کمک می کنند (Adya and Collopy 1998 ؛ Hyndman و Athanasopoulos 2018). ساده ترین مدل های ANN فقط پیش بینی کننده (متغیرهای مستقل یا ورودی) در لایه پایین و متغیر وابسته (خروجی) در لایه بالایی دارند که معادل یک مدل رگرسیون خطی است. پس از افزودن لایه (های) پنهان در بین لایه های پایین و بالا ، ساختار ANN غیر خطی می شود. یک مدل ANN نمونه در شکل 2 نشان داده شده است. این نوع ANN به عنوان شبکه تغذیه ای چند لایه نامیده می شود ، جایی که هر لایه نورون (گره ها) ورودی هایی را از لایه قبلی دریافت می کنند. ورودی به هر گره با استفاده از یک ترکیب خطی وزنی ، مانند معادله (2) تخمین زده می شود:

در اینجا ، Z J مقدار گره خروجی J است ، β j ثابت برای گره J ، W I ، J است که از گره ورودی I تا گره خروجی J ، x I ورودی ها را نشان می دهد ، و N تعداد متغیرهای ورودی استبشردر لایه پنهان ، معادله (2) با استفاده از سیگموئید به عملکرد غیر خطی تبدیل می شود ، همانطور که در معادله نشان داده شده است (3).

پارامترهای β 1 ، β 2 ، β 3 ،… ، β N و W 1 ، 1 ،… ، W 4 ، 3 از داده های آموزش "آموخته شده" هستند. برای جلوگیری از بزرگ شدن وزن ، معمولاً مقادیر وزنه ها محدود می شوند. پارامتر پوسیدگی - پارامتر محدود کننده وزنه ها به طور معمول برابر با 0. 1 است (Hyndman و Athanasopoulos 2018). با استفاده از داده های سری زمانی مانند قیمت بیت کوین روزانه ، مقادیر عقب مانده از سری زمانی می تواند به عنوان ورودی در یک ساختار ANN ، که به عنوان Autoregression شبکه عصبی (NNAR) شناخته می شود ، استفاده شود. یک مدل شبکه تغذیه ای غیر فصلی با یک لایه پنهان معمولاً به عنوان NNAR (P ، K) مشخص می شود ، که در آن P تعداد تاخیر را نشان می دهد و K تعداد گره های موجود در لایه پنهان را نشان می دهد.

4. 2اقدامات دقت پیش بینی

مدل های پیش بینی بر اساس صحت پیش بینی آنها ارزیابی می شود. اقدامات دقت پیش بینی معمولی مانند RMSE (میانگین خطای مربع) و MAPE (میانگین خطای درصد مطلق) به دلیل بی ثباتی آنها با تعداد متفاوتی از دوره های پیش بینی نمونه آزمایش مورد انتقاد قرار می گیرد. بنابراین ، ما سه شاخص را برای اندازه گیری صحت نتایج پیش بینی اتخاذ می کنیم: RMSE ، MAPE و MASE (میانگین خطای مقیاس مطلق). MASE توسط Hyndman و Koehler (2006) به عنوان درمانی برای غلبه بر اشکال RMSE و MAPE هنگام برخورد با تعداد متفاوتی از دوره های نمونه آزمایش پیشنهاد شد. سه اقدامات دقت اتخاذ شده را می توان به شرح زیر بیان کرد:

در اینجا ، E خط پیش بینی محاسبه شده به عنوان (d t - z t) ، d t قیمت واقعی بیت کوین در زمان t است ، z t قیمت پیش بینی شده در زمان t است ، n تعداد کل مشاهدات است و z t - z t - 1 پیش بینی استخطای پیش بینی ساده لوح.

5. نتایج تجربی

اول ، مدل های مناسب ARIMA و NNAR برای پیش بینی قیمت بیت کوین روز بعد برای نمونه آزمایش انتخاب می شوند. مدل های ARIMA بر اساس کمترین AIC انتخاب می شوند ، در حالی که با در نظر گرفتن تست PP برای Standarity با استفاده از عملکرد Auto. arima ارائه شده توسط بسته پیش بینی در R. ، انتخاب مدل NNAR مناسب چالش برانگیز است. برای اولین دوره نمونه آموزش (500 روز) ، 14 مشخصات مختلف NNAR (P ، K) برای عملکرد پیش بینی (بدون ارزیابی مجدد) اولین دوره نمونه آزمون (1966 روز) تخمین زده و ارزیابی می شوند. نتایج در شکل A1 در پیوست A. ارائه شده است. جالب اینجاست که عملکرد پیش بینی نمونه آموزش با افزایش تعداد تاخیر و لایه های پنهان بهتر می شود (شکل A1A را ببینید) اما NNAR (2،1) برای پیش بینی نمونه آزمایش بهترین عملکرد را دارد (نگاه کنید بهشکل A1b). بنابراین ، NNAR (2،1) برای برآورد اولین نمونه های آموزش و آزمایش انتخاب شده است. همان 14 مدل برای نمونه های آموزش دوم و نمونه های آزمایشی تخمین زده و مقایسه می شود (شکل A2 را ببینید) ، و NNAR (1،2) بر اساس عملکرد پیش بینی نمونه آزمایش انتخاب می شود. در چارچوب NNAR به کار رفته ، قابل توجه است که عملکرد پیش بینی نمونه آزمایش همیشه با تعداد کمتری از تاخیر و گره ها بر خلاف عملکرد پیش بینی نمونه آموزش بهتر است.

برای پیش بینی قیمت بیت کوین روز بعد بدون ارزیابی مجدد مدل برای مرحله بعدی ، دو مدل انتخاب شده برای نمونه های اول آموزش و آزمایش ARIMA (4،1،0) و NNAR (2،1) و برای آموزش دوم هستندو نمونه های آزمایش Arima (4،1،1) و NNAR (1،2) هستند. ما رویکرد پیش بینی استاتیک را اتخاذ می کنیم ، همانطور که در شکل 3 نشان داده شده است. هنگام استفاده از یک مدل خودکار در رویکرد پیش بینی استاتیک ، مقدار واقعی متغیر وابسته در دوره های قبلی برای تخمین هر پیش بینی مرحله برای نمونه آموزش استفاده می شود. در مقابل ، هنگام پیش بینی چندین دوره ، رویکرد پیش بینی پویا از مقدار پیش بینی شده قبلی (دوره خارج از نمونه) متغیر وابسته برای محاسبه یک پیش بینی استفاده می کند. در جدول 2 ، اول ، ما عملکرد پیش بینی نمونه آموزش مدل های ARIMA و NNAR را با استفاده از RMSE ، MAPE و MASE ارائه می دهیم. سپس ، در جدول 3 ، عملکرد پیش بینی نمونه آزمون مدل های کاربردی را ارائه می دهیم. طبق جدول 2 ، مدل های NNAR در دوره اول نمونه آموزش عملکرد بهتری نسبت به Arima دارند ، اما Arima در نمونه دوم آموزش بهتر است. طبق جدول 3 ، برای هر دو مورد ، بدون و با برآورد مجدد مدل های پیش بینی برای پیش بینی قیمت بیت کوین روز بعد ، مدل های ARIMA از NNAR در پیش بینی نمونه آزمایش بهتر است. سری قیمت بیت کوین با ورود به سیستم و مقادیر پیش بینی شده آن با استفاده از ARIMA و NNAR با رویکردهای مختلف تخمین در شکل 4 ارائه شده است.

To confirm the validity of forecast models, diagnostic checks are conducted. p -values of the Box-Ljung (BL) test (Ljung and Box 1978) suggest that residuals of all employed models are free from autocorrelation ( p -values>0. 05 با توجه به هشت تاخیر). نتیجه تست BL از باقیمانده های مربع از مدلهای ARIMA نشانگر وجود ناهمگونی مشروط است ( P-Values<0.05); thus, future research on Bitcoin price forecast should consider nested ARIMA models combining ARCH and GARCH. The Jarque-Bera test (Jarque and Bera 1980) results suggest that residuals are not normally distributed ( p -values <0.05). Normality of residuals should not be an issue for the NNAR model as the error series in such models are assumed to be homoscedastic (and normally distributed) when training the model based on the training-sample (Hyndman and Athanasopoulos 2018).

علاوه بر این ، ما آزمایش Diebold Mariano (DM) (Diebold and Mariano 1995) را برای مقایسه نتایج پیش بینی نمونه آزمایش به دست آمده از دو مدل مورد استفاده ، ARIMA و NNAR انجام می دهیم. نتایج آزمون DM در جدول 4 ارائه شده است. در این حالت ، فرضیه جایگزین این است که نتایج پیش بینی روش دوم از روش اول دقیق تر است. بنابراین ، یک مقدار p کمتر از 0. 05 نشان دهنده دقت بهتر روش اول است. نتیجه آزمون DM شبیه به آنچه در جدول 3 نشان داده شده است-مدل ARIMA در پیش بینی قیمت بیت کوین نمونه آزمایش دقیق تر از NNAR است. قابل توجه است که ، پیش بینی مدل های ARIMA ، با یا بدون ارزیابی مدل در هر مرحله ، یکسان هستند. در همین حال ، مدل NNAR با ارزیابی مجدد در هر مرحله عملکرد قابل توجهی بهتر از رویکرد بدون ارزیابی مجدد دارد.

6. بحث و نتیجه گیری

این مطالعه قیمت بیت کوین روز بعد را با استفاده از دو مدل تک متغیره-Arima و NNAR پیش بینی می کند. بر اساس اقدامات دقت پیش بینی شده (RMSE ، MAPE و MASE) ، در حالی که مدل های NNAR در اولین نمونه آموزش (500 روز) قیمت بیت کوین عملکرد بهتری نسبت به ARIMA دارند ، مدل های ARIMA از مدل های NNAR در هر دو نمونه آزمون بهتر عمل می کنند. در راستای این ، از شکل 4 ، می توان استدلال کرد که مدل های NNAR در مواقع نوسانات کمتری عملکرد بهتری نسبت به Arima دارند (جدول 2 را ببینید) ، اما نه در دوره های آزمایش بسیار بی ثبات از قیمت بیت کوین ، به ویژه در سال 2018.، آزمایش DM همان را نشان می دهد ، یعنی نتایج پیش بینی ARIMA دقیق تر از پیش بینی های NNAR در پیش بینی های نمونه آزمایش است.

در همین حال ، مطالعات موجود بینش های جالبی را ارائه می دهد. در بررسی مدل های شبکه عصبی در پیش بینی ، Adya و Collopy (1998) دریافتند که شبکه های عصبی لزوما بهترین روش مدل سازی برای انواع داده ها نیستند. ابراهارت و مراجعه کنید (2000) و ایلوارز-دیاز و همکاران.(2018) دریافتند که Arima و NNAR به طور مشابه عملکرد دارند. از طرف دیگر ، مشابه این مطالعه ، آلون و همکاران.(2001) و Munim and Schramm (2018) همچنین می دانند که شبکه های عصبی در برخی از نمونه های آموزشی از Arima بهتر عمل می کنند ، اما مخالف برای نمونه آزمون است. دلیل دقت بهتر مدل های ARIMA می تواند این باشد که ما از مدل NNAR Feed-Forward استفاده می کنیم ، که به نظر می رسد توسط هو و همکاران فرومایه است.(2002) و همچنین هنگام مقایسه با مدل های ARIMA و شبکه های عصبی مکرر (RNN). بنابراین ، مطالعه آینده باید رویکرد RNN به پیش بینی قیمت بیت کوین را انجام دهد. علاوه بر این ، با توجه به نتایج آزمون DM ، پیش بینی مدل های ARIMA برای ارزیابی مجدد مدل در هر مرحله مشابه است. با این حال ، مدل NNAR با ارزیابی مجدد در هر مرحله عملکرد بهتری نسبت به بدون ارزیابی مجدد دارد. بنابراین ، این رویکرد منحصر به فرد از ارزیابی مجدد مدل در هر مرحله می تواند در پیش بینی های بین روز ، مانند پیش بینی های ساعت بعدی و قیمت بیت کوین در ساعت بعدی (همچنین قیمت سهام) اتخاذ شود. با این حال ، رویکرد ارزیابی مجدد مدل برای پیش بینی قیمت روز بعد ، مدت زمان محاسباتی را کمی افزایش می دهد. برای این منظور ، با رو به رشد بازار ارزهای رمزنگاری شده و نوسانات شدید قیمت های رمزنگاری ، باید به الگوسازی بازده آنها توجه بیشتری شود.

کمک های نویسنده

مفهوم سازی z. h. m. و I. A. ، Curation Data Z. H. M. ، روش شناسی Z. H. M. ، تجسم Z. H. M. ، مقدمه M. H. S. ، بررسی ادبیات M. H. S. و I. A. ، Writin g-Review & Editing Z. H. M. ، M. H. S. و I. A.

منابع مالی

تصدیق

نویسندگان می خواهند از دو داوری ناشناس و قازی هاك برای پیشنهادات مفید در مورد پیش نویس قبلی نسخه خطی تشکر كنند.