پیش‌بینی نوسان با استفاده از ترکیب مدل‌های یادگیری عمیق و مدل‌های خانواده garch : مطالعه موردی بیت‌کوین

پیش‌بینی نوسانات قیمت رمزارزها یک موضوع مهم و در عین حال چالش برانگیز است. با توجه به خصوصیات غیرخطی و ویژگی تغییرات زمانی عوامل مختلفی که بر قیمت رمزارزها تاثیر می گذارند، این مطالعه یک روش جدید برای پیش‌بینی نوسانات قیمت ارائه می‌نماید. در این روش، دو تکنیک مهم ترکیب شده‌اند. یکی از آن‌ها مدل‌های خودرگرسیون واریانس ناهمسان تعمیم‌یافته (garch) کلاسیک است که اطلاعات آماری مفیدی را درباره نوسانات قیمت، به صورت فشرده و از طریق پیش‌بینی‌های garch ارائه می‌کند.تکنیک دوم مدل‌های یادگیری ماشین است. عملکرد بهتر ترکیب مدل‌های garch و یادگیری ماشین در پیش‌بینی نوسانات در بازارهای مختلف مانند انرژی، فلزات اصلی و به خصوص بازارهای سهام، نسبت به هر یک از مدل‌ها بصورت جداگانه ثابت شده است. برای تایید این فرضیه در بازار رمزارزها، در این مطالعه مدل‌های مختلفی بر اساس خانوده garch و شبکه حافظه کوتاه‌مدت طولانی (lstm) طراحی و عملکرد آن‌ها در پیش‌بینی نوسانات یک رمزارز منتخب ارزیابی شده است. سپس، مدل‌های ترکیبی مختلف ساخته شده که خروجی‌های چهار مدل garch، egarch، gjr-garch و tarch، با سه فرض مختلف برای توزیع باقیمانده‌ها به شبکه lstm تغذیه شده است. به عبارت دیگر، مدل‌های garch به عنوان استخراج کننده ویژگی استفاده شده اند و مدل‌های یادگیری ماشین یک دنباله از ویژگی‌های استخراج شده را به عنوان ورودی خود برای تولید نوسانات آتی به کار گرفته‌اند. نتایج نشان می‌دهد که پیش‌بینی‌های مدل‌های یادگیری ماشین بصورت جداگانه، نه تنها پیش‌بینی‌های مدل‌های garch را با هر فرض توزیع بهبود می‌بخشند، بلکه پیش‌بینی‌های مدل‌های garch به عنوان ویژگی‌های اطلاعاتی قابل توجه، قابلیت بهبود محسوسی را در پیش‌بینی مقادیر نوسان آتی توسط مدل‌های ترکیبی یادگیری ماشین دارند.طبقه بندیjel:c22، c89،g17

volatility prediction using hybrid deep learning and garch family models: a case study on bitcoin

predicting cryptocurrency price volatility is a crucial yet challenging task. due to the nonlinear characteristics and time-varying nature of factors influencing cryptocurrency prices, this study introduces a novel approach for volatility forecasting. the proposed method integrates two key techniques. the first is the classic garch models, which provide concise statistical insights into price volatility through garch-based forecasts. the second technique involves machine learning models. the superior performance of combining garch models with machine learning in forecasting volatility across various markets, such as energy, base metals, and particularly stock markets, has been demonstrated compared to using either approach independently. to test this hypothesis in cryptocurrency markets, this study designs and evaluates the performance of various models based on the garch family and lstm networks in predicting the volatility of a selected cryptocurrency. subsequently, multiple hybrid models are constructed, where the outputs of four garch-family models garch, egarch, gjr-garch, and tarch under three different residual distribution assumptions are fed into the lstm network. in other words, the garch models serve as feature extractors, while the machine learning models leverage these extracted features as sequential inputs to predict future volatility. the results indicate that standalone machine learning models not only outperform garch models under any residual distribution assumption but also demonstrate that the garch forecasts, as significant informational features, markedly enhance the hybrid machine learning models’ ability to predict future volatility levels.