پیش بینی قیمت بیت کوین با استفاده از مدل ترکیبی arima و یادگیری عمیق

اخیرا بیت کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از چالش های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد روش‌هایی برای پیش بینی قیمت بیت کوین بسیار هیجان انگیز بوده و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از معامله آن در آینده دارد. در این پژوهش به منظور پیش بینی قیمت بیت کوین از ترکیب مدل arima و سه نوع شبکه عصبی عمیق شامل rnn، lstm و gru استفاده شده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از arima جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج نشان می دهد که مدل arimagru برای معیار های rmseو mape نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی arima در پیش بینی، عملکرد بهتری را از خود نشان می دهند.

Predicting the Price of Bitcoin Using Hybrid ARIMA and Deep Learning

Recently, Bitcoin as the most popular cryptocurrency, has attracted the attention of many investors and economic actors. The cryptocurrency market has experienced a sharp fluctuation, and one of the challenges is to predict future prices. Undoubtedly, creating methods to predict the price of bitcoin is very exciting and has a huge impact on determining the profit and loss from its trading in the future. In this study, in order to predict the price of Bitcoin, a combination of the ARIMA model and three types of deep neural networks including RNN, LSTM, and GRU have been used. The main purpose of this study is to determine the effect of deep learning models on the performance of predicting the future price of Bitcoin. In the proposed model, first, the linear components in the data set are separated using ARIMA and the resulting residues are transferred separately to each of the neural networks. The results show that the ARIMAGRU model has better results for RMSE and MAPE criteria than other models. Combined models also perform better than the traditional ARIMA model in forecasting.