تعداد نشریات | 418 |
تعداد شمارهها | 10,004 |
تعداد مقالات | 83,629 |
تعداد مشاهده مقاله | 78,548,157 |
تعداد دریافت فایل اصل مقاله | 55,630,720 |
طراحی مدلی جهت پیش بینی بازده بیتکوین (با تاکید بر مدلهای ترکیبی شبکه عصبی کانولوشنی و بازگشتی و مدلهای با حافظه بلندمدت) | ||
مهندسی مالی و مدیریت اوراق بهادار | ||
دوره 12، شماره 47 - شماره پیاپی 2، تیر 1400، صفحه 161-187 اصل مقاله (1.44 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمد جواد بختیاران1؛ مهدی ذوالفقاری* 2 | ||
1گروه علوم اقتصادی، دانشکده مدیریت و اقتصاد ، دانشگاه تربیت مدرس،تهران، ایران | ||
2گروه علوم اقتصادی، دانشکده مدیریت و اقتصاد ، دانشگاه تربیت مدرس، تهران، ایران | ||
چکیده | ||
پژوهش حاضر به معرفی مدلهایی از ترکیب خانواده GARCH با حافظه بلندمدت و شبکه ترکیبی عصبی کانولوشنی و بازگشتی، جهت مدلسازی و پیشبینی بازدهی روزانه بیتکوین طی دوره 1398-1392 میپردازد. وجود ویژگی حافظه بلندمدت در واریانس شرطی بازدهی بیتکوین موجب شده تا علاوه بر مدلهای دارای حافظه کوتاهمدت GARCH و EGARCH در این پژوهش از مدلهای FIGARCH و FIEGARCH که دارای ویژگی حافظه بلندمدت هستند؛ استفاده گردد. علاوه بر بکارگیری مدلهای حافظه کوتاهمدت، با توجه به کارایی بهتر مدلهای ترکیبی (در مقایسه با مدلهای فردی) در پیشبینی دادههای مالی، در این مطالعه، تمامی مدلهای خانواده GARCH (اعم از کوتاهمدت و بلندمدت) با شبکه ترکیبی عصبی کانولوشنی و بازگشتی ترکیب و با استفاده از مدلهای ترکیبی حاصلشده، بازده بیتکوین برای 10 روز آینده بهصورت گامبهگام پیشبینی و دقت آن براساس معیارهای ارزیابی مورد بررسی قرار گرفت. یافتههای پژوهش نشان داد که مدل ترکیبی FIEGARCH- شبکه عصبی با توزیع تی- استیودنت در پیشبینی بازده بیتکوین کارآمدتر و دارای خطای پیشبینی کمتری نسبت به سایر مدلهای رقیب است. | ||
کلیدواژهها | ||
بیتکوین؛ پیشبینی؛ خانواده GARCH؛ شبکه ترکیبی عصبی کانولوشنی و بازگشتی؛ مدل ترکیبی | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 479 تعداد دریافت فایل اصل مقاله: 469 |