پيش بيني قيمت بيت كوين با استفاده از مدل تركيبي ARIMA و يادگيري عميق

Predicting the Price of Bitcoin Using Hybrid ARIMA and Deep Learning

اخيرا بيت كوين به عنوان محبوب ترين رمزارز، مورد توجه بسياري از سرمايه گذاران و فعالان اقتصادي قرار گرفته است. بازار رمز ارزها نوسان به شدت زيادي را تجربه كرده است و يكي از چالش هاي پيش روي آن، پيش بيني قيمت آينده است. بدون شك، ايجاد روش‌هايي براي پيش بيني قيمت بيت كوين بسيار هيجان انگيز بوده و تاثير بسيار زيادي در تعيين سود و زيان حاصل از معامله آن در آينده دارد. در اين پژوهش به منظور پيش بيني قيمت بيت كوين از تركيب مدل ARIMA و سه نوع شبكه عصبي عميق شامل RNN، LSTM و GRU استفاده شده است. هدف اصلي اين پژوهش تعيين تاثير مدل هاي يادگيري عميق بر روي عملكرد پيش بيني قيمت آينده بيت كوين است. در مدل پيشنهادي ابتدا اجزاي خطي موجود در مجموعه داده ها با استفاده از ARIMA جداسازي و باقيمانده هاي به دست آمده بصورت جداگانه به هر يك از شبكه هاي عصبي منتقل مي شود. نتايج نشان مي دهد كه مدل ARIMA-GRU براي معيار هاي RMSEو MAPE نسبت به ساير مدل ها نتايج بهتري داشته است. همچنين مدل هاي تركيبي نسبت به مدل سنتي ARIMA در پيش بيني، عملكرد بهتري را از خود نشان مي دهند.

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 ARIMA-GRU model has better results for RMSE and MAPE criteria than other models. Combined models also perform better than the traditional ARIMA model in forecasting.