حافظه کوتاه مدت طولانی

پیش بینی نوسانات قیمت رمزارزها یک موضوع مهم و در عین حال چالش برانگیز است. با توجه به خصوصیات غیرخطی و ویژگی تغییرات زمانی عوامل مختلفی که بر قیمت رمزارزها تأثیر می گذارند، این مطالعه یک روش جدید برای پیش بینی نوسانات قیمت ارائه می نماید. در این روش، دو تکنیک مهم ترکیب شده اند. یکی از آن ها مدل های خودرگرسیون واریانس ناهمسان تعمیم یافته (GARCH) کلاسیک است که اطلاعات آماری مفیدی را درباره نوسانات قیمت، به صورت فشرده و از طریق پیش بینی های GARCH ارائه می کند.تکنیک دوم مدل های یادگیری ماشین است. عملکرد بهتر ترکیب مدل های GARCH و یادگیری ماشین در پیش بینی نوسانات در بازارهای مختلف مانند انرژی، فلزات اصلی و به خصوص بازارهای سهام، نسبت به هر یک از مدل ها بصورت جداگانه ثابت شده است. برای تأیید این فرضیه در بازار رمزارزها، در این مطالعه مدل های مختلفی بر اساس خانوده GARCH و شبکه حافظه کوتاه مدت طولانی (LSTM) طراحی و عملکرد آن ها در پیش بینی نوسانات یک رمزارز منتخب ارزیابی شده است. سپس، مدل های ترکیبی مختلف ساخته شده که خروجی های چهار مدل GARCH، EGARCH، Gjr-GARCH و TARCH، با سه فرض مختلف برای توزیع باقیمانده ها به شبکه LSTM تغذیه شده است. به عبارت دیگر، مدل های GARCH به عنوان استخراج کننده ویژگی استفاده شده اند و مدل های یادگیری ماشین یک دنباله از ویژگی های استخراج شده را به عنوان ورودی خود برای تولید نوسانات آتی به کار گرفته اند. نتایج نشان می دهد که پیش بینی های مدل های یادگیری ماشین بصورت جداگانه، نه تنها پیش بینی های مدل های GARCH را با هر فرض توزیع بهبود می بخشند، بلکه پیش بینی های مدل های GARCH به عنوان ویژگی های اطلاعاتی قابل توجه، قابلیت بهبود محسوسی را در پیش بینی مقادیر نوسان آتی توسط مدل های ترکیبی یادگیری ماشین دارند.