عنوان فارسی مقاله:مکانیک شبکه بیت کوین: پیش بینی قیمت بیت کوین با استفاده از مدل های اتورگرسیو برداری بر اساس متغیرهای ویژگی درون زا و برون زا

چکیده

بازار بیت کوین (BTC) خود را به عنوان یک ارز منحصر به فرد جدید معرفی می کند و اغلب از آن به عنوان «ارز آینده» یاد می شود. شبیه سازی بازار بیت کوین در فرآیند کشف قیمت، مجموعه ای منحصر به فرد از مکانیک های بازار را ارائه می دهد. عرضه بیت کوین با تعداد ماینرها و بیت کوین موجود و با الگوریتم های اسکریپت نویسی برای هش بلاک چین تعیین می شود، در حالی که هم دلالان و هم سرمایه گذاران تقاضا را تعیین می کنند. پس یک سوال اصلی این است که بفهمیم بیت کوین چگونه ارزش گذاری می شود و عوامل مختلف چگونه بر آن تأثیر می گذارند. در این مقاله، مکانیک بازار BTC با استفاده از مدل‌های پیش‌بینی اتورگرسیو برداری (VAR) و اتورگرسیو برداری بیزی (BVAR) تجزیه می‌شود. این مدل‌ها در شبیه‌سازی قیمت‌های گذشته BTC با استفاده از مجموعه ویژگی‌های متغیرهای برون‌زا بسیار مفید بودند. مدل VAR امکان تجزیه و تحلیل عوامل تأثیرگذار را فراهم می کند. این تجزیه و تحلیل به درک عمیق آنچه که BTC را هدایت می کند کمک می کند و می تواند برای بسیاری از سهامداران مفید باشد. انگیزه اصلی این مقاله، سرمایه‌گذاری بر روی حرکت بازار و شناسایی محرک‌های مهم قیمت، از جمله سهامداران تحت تأثیر، اثرات زمان، و همچنین عرضه، تقاضا و سایر ویژگی‌ها است. دو مدل VAR و BVAR با برخی از مدل‌های پیش‌بینی پیشرفته در دو دوره زمانی مقایسه می‌شوند. نتایج تجربی نشان می‌دهد که مدل‌های مبتنی بر اتورگرسیو برداری عملکرد بهتری در مقایسه با مدل‌های اتورگرسیو سنتی و مدل‌های رگرسیون بیزی به دست آوردند(مکانیک شبکه بیت کوین).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Bitcoin Network Mechanics: Forecasting the BTC Closing Price Using Vector Auto-Regression Models Based on Endogenous and Exogenous Feature Variables

Abstract

The Bitcoin (BTC) market presents itself as a new unique medium currency, and it is often hailed as the “currency of the future”. Simulating the BTC market in the price discovery process presents a unique set of market mechanics. The supply of BTC is determined by the number of miners and available BTC and by scripting algorithms for blockchain hashing, while both speculators and investors determine demand. One major question then is to understand how BTC is valued and how different factors influence it. In this paper, the BTC market mechanics are broken down using vector autoregression (VAR) and Bayesian vector autoregression (BVAR) prediction models. The models proved to be very useful in simulating past BTC prices using a feature set of exogenous variables. The VAR model allows the analysis of individual factors of influence. This analysis contributes to an in-depth understanding of what drives BTC, and it can be useful to numerous stakeholders. This paper’s primary motivation is to capitalize on market movement and identify the significant price drivers, including stakeholders impacted, effects of time, as well as supply, demand, and other characteristics. The two VAR and BVAR models are compared with some state-of-the-art forecasting models over two time periods. Experimental results show that the vector-autoregression-based models achieved better performance compared to the traditional autoregression models and the Bayesian regression models.