مقايسه پيشبيني بازده ارزهاي رمزنگاري‌شده با استفاده از دو رويكرد حركت براوني هندسي و تبديلات موجك

The Comparison of Cryptocurrency Returns Prediction Based on Geometric Brownian Motion and Wavelet Transform

در پژوهش حاضر دقت پيشبيني بازده ارزهاي رمزنگاري شده با استفاده از دو رويكرد حركت براوني هندسي و تبديلات موجك مورد مقايسه قرار گرفت. براي اين منظور پنج ارز رمزنگاري شده بيت كوين، اتريوم، ريپل، بيت كوين كش و اي او اس به عنوان نماينده اي از دارايي هاي ريسكي طي دوره دو ساله 2018 تا 2020 با تواتر روزانه مورد مطالعه قرار گرفتند. به منظور مقايسه دقت روش ها در پيش بيني بازده از دو معيار ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا استفاده شد. در مدل سازي براوني هندسي، مدل ديفرانسيل تصادفي مبتني بر فرايند براوني براي قيمت دارايي، منجر به اين مي شود كه بازده لگاريتمي دارايي داراي توزيع نرمال با پارامترهاي وابسته به زمان است. نتايج حاصل از پيش بيني بازده لگاريتمي اين ارزها تحت هر دو روش نشان داد كه تبديلات موجك در 4 ارز (بيت كوين، اتريوم، ريپل، بيت كوين كش) از پنج ارز رمزنگاري شده مورد مطالعه، خطاي كمتري در پيش بيني بازده داشته است و در ارز اي. او. اس. نيز از نظر هر معيار خطا، يكي از روش هاي پيش بيني مطلوبيت داشته است. با استناد به اين نتايج مي توان دريافت كه روش تبديلات موجك در پيش بيني بازده دارايي هاي ريسكي خطاي كمتري نسبت به روش براوني هندسي داشته است.

In the present study the accuracy of predicting cryptocurrencies return was compared through two approaches of Geometric Broanian Motion (GBM) and Wavelet Transforms (WT). In order to do that, 5 cryptocurrencies of BTC, ETH, XRP, BCH and EOS as representatives of risky assets were studied with daily frequency during the one year period of 2018 to 2019. Two measures of RMSE and MAE were employed to compare the accuracy of approaches in prediction of returns. In geometric Brownian modeling, the Brownian process-based stochastic differential model for asset prices leads to the fact that the logarithmic return of an asset has a normal distribution with time-dependent parameters. The results of logarithmic returns prediction by both of methods showed that WTs have less error than GBM in returns prediction of BTC, ETH, XRP and BCH cryptocurrencies and for each of accuracy measures, an specific approach has desirable performance for prediction of EOS returns. citing these results it can be concluded that WT in prediction of risky assts returns has less error than GBM method.