بهبود پیش‌بینی‌ مدل‌های arima با طراحی مدل‌های ترکیبی یادگیری عمیق: مطالعه موردی رمزارزها

این پژوهش بدنبال طراحی و ارائه رویکردی جه بهبود نتایج پیش‌بینی بدست آمده از رویکردهای سنتی اقتصادسنجی با استفاده از روش‌های نوین مدل‌سازی است. مدل‌سازی خودرگرسیون هم‌انباشته میانگین متحرک (arima، بعنوان یکی از گسترده‌ترین روش‌های پیش‌بینی سری‌های زمانی اقتصادی و مالی شناخته می‌شود، که رویکرد مناسبی بویژه برای پیش‌بینی‌های خطی کوتاه‌مدت سری‌های زمانی محسوب می‌شود. با این حال فرض وجود اثرات غیرخطی در سری‌های زمانی و ظهور الگوریتم‌های نوین مدل‌سازی بخصوص روش‌های یادگیری‌عمیق، که قابلیت استخراج ویژگی‌های پیچیده سری‌زمانی و مدل‌سازی آن را دارند، انگیزه‌ای برای محققین جهت بررسی و مقایسه قدرت پیش‌بینی رویکردهای سنتی و نوین مدل‌سازی گردیده‌است. در این پژوهش، دو روش برای پیش‌بینی قیمت چهار رمزارز، با بالاترین ارزش بازار مورد بررسی قرار می‌گیرد. روش مدل‌سازی (arima) و سه رویکرد در حوزه یادگیری عمیق شامل (rnn، lstmوgru)، علاوه بر این یک رویکرد ترکیبی از مدل‌های یادگیری عمیق و arima معرفی شده‌است که ترکیبی از نقاط قوت هر دو مدل برای افزایش دقت‌پیش‌بینی است. نتایج نشان می‌دهد مدل‌های ترکیبی arima و یادگیری عمیق در پیش‌بینی مقادیر آتی سری‌زمانی نسبت به هر یک از مدل‌های arima و یادگیری عمیق بصورت جداگانه، بهتر عمل می‌کنند. همچنین مدل arima-gru نسبت به تمام مدل‌های برآورد شده، مقادیر خطای پیش‌بینی کمتری دارد.

improving arima models prediction with designing deep learning hybrid models: a case study of cryptocurrency

in this paper, we investigate how novel approaches can improve the predictions made by traditional econometric approaches in the field of forecasting. autoregressive integrated moving average (arima) is known as one of the most widely used methods for predicting economic and financial time series, providing a good framework, especially for short-term linear predictions of time series. however, the assumption of nonlinear effects in time series and the emergence of novel deep learning algorithms, which can extract complex features of time series and model them, have motivated researchers to examine the predictive power of traditional and novel modeling approaches. in this study, two methods are examined for predicting the prices of the four most valuable cryptocurrencies. arima and three approaches in the field of deep learning, including (rnn, lstm, and gru), are investigated. in addition, a hybrid model of deep learning and arima has been introduced, which is a combination of the strengths of both models to increase the accuracy of predictions. the results show that the hybrid models perform better in predicting future time series than each of the arima and deep learning models separately. also, the arima-gru model has fewer prediction error values than all estimated models.