پیش بینی قیمت بیت کوین در روز بعد

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 17

تعداد کلمات : 5500

مجله : Journal of Risk and Financial Management

انتشار : 2019

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
25 دسامبر 2021
دسته بندی
تعداد بازدیدها
1104 بازدید
25,000 تومان

عنوان فارسی مقاله:پیش بینی قیمت بیت کوین در روز بعد

 چکیده

این مطالعه پیش‌بینی‌های قیمت بیت‌کوین را با استفاده از مدل‌های میانگین متحرک یکپارچه اتورگرسیو (ARIMA) و اتورگرسیون شبکه عصبی (NNAR) تحلیل می‌کند. با استفاده از رویکرد پیش‌بینی استاتیک، قیمت بیت‌کوین در روز بعد را با و بدون تخمین مجدد مدل پیش‌بینی برای هر مرحله پیش‌بینی می‌کنیم. برای اعتبارسنجی متقابل نتایج پیش‌بینی، دو نمونه آموزشی و آزمایشی متفاوت را در نظر می‌گیریم. در اولین نمونه آموزشی، NNAR بهتر از ARIMA عمل می کند، در حالی که ARIMA در نمونه آموزشی دوم از NNAR بهتر عمل می کند. علاوه بر این، ARIMA با تخمین مجدد مدل در هر مرحله از NNAR در دو دوره پیش‌بینی نمونه آزمایشی بهتر عمل می‌کند. آزمون دیبولد ماریانو برتری نتایج پیش‌بینی مدل ARIMA را نسبت به NNAR در دوره‌های نمونه آزمایشی تأیید می‌کند. عملکرد پیش‌بینی مدل‌های ARIMA با و بدون تخمین مجدد برای دوره‌های نمونه آزمایشی برآورد شده یکسان است. علیرغم پیچیدگی NNAR، این مقاله قدرت پایدار ARIMA را در پیش‌بینی نوسان قیمت بیت کوین نشان می‌دهد(پیش بینی قیمت 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: Next-Day Bitcoin Price Forecast

Abstract

 This study analyzes forecasts of Bitcoin price using the autoregressive integrated moving average (ARIMA) and neural network autoregression (NNAR) models. Employing the static forecast approach, we forecast next-day Bitcoin price both with and without re-estimation of the forecast model for each step. For cross-validation of forecast results, we consider two different training and test samples. In the first training-sample, NNARperforms better than ARIMA, while ARIMA outperforms NNAR in the second training-sample. Additionally, ARIMA with model re-estimation at each step outperforms NNAR in the two test-sample forecast periods. The Diebold Mariano test confirms the superiority of forecast results of ARIMA model over NNAR in the test-sample periods. Forecast performance of ARIMA models with and without re-estimation are identical for the estimated test-sample periods. Despite the sophistication of NNAR, this paper demonstrates ARIMA enduring power of volatile Bitcoin price prediction.