بهبود پیش‌بینی‌ مدل‌های ARIMA با طراحی مدل‌های ترکیبی یادگیری عمیق: مطالعه موردی رمزارزها

Abstract

این پژوهش بدنبال طراحی و ارائه رویکردی جه بهبود نتایج پیش‌بینی بدست آمده از رویکردهای سنتی اقتصادسنجی با استفاده از روش‌های نوین مدل‌سازی است. مدل‌سازی خودرگرسیون هم‌انباشته میانگین متحرک (ARIMA، بعنوان یکی از گسترده‌ترین روش‌های پیش‌بینی سری‌های زمانی اقتصادی و مالی شناخته می‌شود، که رویکرد مناسبی بویژه برای پیش‌بینی‌های خطی کوتاه‌مدت سری‌های زمانی محسوب می‌شود. با این حال فرض وجود اثرات غیرخطی در سری‌های زمانی و ظهور الگوریتم‌های نوین مدل‌سازی بخصوص روش‌های یادگیری‌عمیق، که قابلیت استخراج ویژگی‌های پیچیده سری‌زمانی و مدل‌سازی آن را دارند، انگیزه‌ای برای محققین جهت بررسی و مقایسه قدرت پیش‌بینی رویکردهای سنتی و نوین مدل‌سازی گردیده‌است. در این پژوهش، دو روش برای پیش‌بینی قیمت چهار رمزارز، با بالاترین ارزش بازار مورد بررسی قرار می‌گیرد. روش مدل‌سازی (ARIMA) و سه رویکرد در حوزه یادگیری عمیق شامل (RNN، LSTMوGRU)، علاوه بر این یک رویکرد ترکیبی از مدل‌های یادگیری عمیق و ARIMA معرفی شده‌است که ترکیبی از نقاط قوت هر دو مدل برای افزایش دقت‌پیش‌بینی است. نتایج نشان می‌دهد مدل‌های ترکیبی ARIMA و یادگیری عمیق در پیش‌بینی مقادیر آتی سری‌زمانی نسبت به هر یک از مدل‌های ARIMA و یادگیری عمیق بصورت جداگانه، بهتر عمل می‌کنند. همچنین مدل ARIMA-GRU نسبت به تمام مدل‌های برآورد شده، مقادیر خطای پیش‌بینی کمتری دارد.