بررسی و مقایسه عملکرد الگوریتم های یادگیری عمیق در پیش بینی قیمت ارزهای دیجیتال

سیاوش دماری

عنوان پایان‌نامه

چکیده

قیمت داراییهای رمزنگاریشده دارای نوسانات شدید و جهشهای ناگهانی ناشی از اخبار و اطالعات هستند؛ پدیدهای که پیشبینی

آن ها را با استفاده از روشهای متعارف اقتصادسنجی و حتی مدلهای متداول یادگیری ماشین با چالش مواجه میسازد. در این

پژوهش، چارچوبی نوین برای پیشبینی ریسکمحور معرفی میشود که ترکیبی از چهار مدل دنبالهای ـ شامل واحد بازگشتی

دروازهدار (GRU (، حافظه کوتاهمدت بلند (LSTM (، LSTM دوسویه (LSTM-Bi (و مدل ترکیبی LSTM-CNN به همراه یک

پرسپترون چندالیه (MLP (، دو مدل مجموعهای درختی و یک فرا- یادگیرنده رویهیابی را به کار میگیرد.

هر یک از مدلهای عصبی عالوه بر ارائه ی پیشبینیهای نقطهای، برآوردهایی از عدمقطعیت مبتنی بر ریزش مونت کارلو نیز تولید

میکنند. دادههای پژوهش شامل اطالعات روزانه پنج دارایی اصلی بازار رمز ارز ـ بیتکوین (BTC (، اتریوم (ETH (، بایننس کوین

(BNB(، ریپل (XRP (و کاردانو (ADA(در بازهی زمانی ژانویه ?۰?? تا ژانویه ?۰?? است. این دادهها بر اساس قیمتهایOHLCV ،

شاخصهای فنی و شاخص ترس و طمع بازار گردآوری شدهاند.

نتایج بهدستآمده تحت یک چارچوب پنجره ی توسعه ای پنجمرحلهای نشان میدهد که مدل GRU کمترین میزان خطا را در

پیشبینی میاندارایی ارائه میدهد؛ بهطوری که ریشه میانگین مربعات خطا (RMSE (برابر با ۰?۰۳? و میانگین قدرمطلق خطا

(MAE (برابر با ۰?۰?? محاسبه شده است. همچنین، فرا-یادگیرندهی رویهیابی در پیشبینی اتریوم و ریپل عملکرد بهتری نسبت

به مدلهای منفرد داشته و بر اهمیت تجمیع مدل ها تأکید میکند. عالوه بر این، الیههای مونت کارلو پراکندگیهای پیشبینی

باثباتی را تولید کردهاند که میانگین انحراف معیار آنها در کل تکرارها برابر با ۰?۰?? گزارش شده است.

در مجموع، یافتههای این پژوهش حاکی از آن است که شبکه های بازگشتی دروازهدار با تنظیمگری مناسب میتوانند بهعنوان یک

خط مبنای قدرتمند و آگاه به عدمقطعیت در زمینهی پیشبینی روزانه ی بازار رمزارزها مورد استفاده قرار گیرند.

Abstract

Crypto-asset prices exhibit high volatility and sudden information-driven jumps, making them difficult to forecast

using standard econometric or machine learning models. This study introduces a risk-aware forecasting framework

that combines four sequence models—Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM),

Bidirectional LSTM (Bi-LSTM), and CNN-LSTM—with a Multilayer Perceptron (MLP), two tree ensembles, and a

ridge regression stacking meta-learner. Each neural model provides point forecasts and Monte Carlo Dropout (MC-

DO) uncertainty estimates. Models are trained and tested on daily data for Bitcoin (BTC), Ethereum (ETH), Binance

Coin (BNB), Ripple (XRP), and Cardano (ADA) from January ۲۰۲۱ to January ۲۰۲۵, using OHLCV prices, technical

indicators, and the Crypto Fear and Greed index. Under a five-fold expanding-window setup, GRU delivers the lowest

cross-asset error, with a Root Mean Squared Error (RMSE) of ۰.۰۳۷ and Mean Absolute Error (MAE) of ۰.۰۲۲. The

stacking meta-learner outperforms individual models on Ethereum and Ripple, showing the value of ensembling. MC-

DO layers yield stable predictive dispersions, averaging ۰.۰۱۶ in standard deviation across folds. Results indicate that

well-regularized gated recurrent networks provide a strong and uncertainty-aware baseline for daily cryptocurrency

forecasting