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

نوع مقاله : علمی- پژوهشی

نویسندگان

1 استاد اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

2 استادیار، گروه اقتصاد، دانشکده اقتصاد و مدیریت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران

3 دانشجوی دکتری اقتصاد گرایش اقتصاد سنجی دانشگاه آزاد واحد علوم و تحقیقات تهران

10.30465/jnet.2024.47552.2101

چکیده

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.
طبقه‌بندی JEL  : C22،C89،G17

کلیدواژه‌ها

عنوان مقاله [English]

Improving ARIMA models prediction with designing deep learning hybrid models: A Case Study of Cryptocurrency

نویسندگان [English]

  • kambiz hozhabrkiani 1
  • kambiz peykarjou 2
  • saeed sadrzadeh moghadam 3
1 Professor in Economics, Faculty of Management and Economic, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 2. Assistant Prof, Department of Economic, Faculty of Management and Economic, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Ph.D. Candidate, Department of Economic, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran
چکیده [English]

In this paper, we investigate how novel approaches can improve the predictions made by traditional econometric approaches in the field of forecasting. Autoregressive integrated moving average (ARIMA) is known as one of the most widely used methods for predicting economic and financial time series, providing a good framework, especially for short-term linear predictions of time series. However, the assumption of nonlinear effects in time series and the emergence of novel deep learning algorithms, which can extract complex features of time series and model them, have motivated researchers to examine the predictive power of traditional and novel modeling approaches. In this study, two methods are examined for predicting the prices of the four most valuable cryptocurrencies. ARIMA and three approaches in the field of deep learning, including (RNN, LSTM, and GRU), are investigated. In addition, a hybrid model of deep learning and ARIMA has been introduced, which is a combination of the strengths of both models to increase the accuracy of predictions. The results show that the hybrid models perform better in predicting future time series than each of the ARIMA and deep learning models separately. Also, the ARIMA-GRU model has fewer prediction error values than all estimated models.
JEL classification: C22, C89, G17

کلیدواژه‌ها [English]

  • ARIMA Models
  • Machine Learning
  • Deep Learning
  • Hybrid Model
  • Cryptocurrency

مراجع

Abounoori, E., Elmi, Z. M., & Nademi, Y. (2016). Forecasting Tehran stock exchange volatility; Markov switching GARCH approach. Physica A: Statistical Mechanics and its Applications, 445, 264-282.
Adebiyi, AA., Adewumi, AO., Ayo, CK. (2014). Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction. Journal of Applied Mathematics, 1-7.
Asiful, M., Rezaul K., Ruppa T., Neil D., and Yang W. Hybrid Deep Learning Model for Stock Price Prediction. IEEE Symposium Series on Computational Intelligence SSCI,1837-1844.
Benzekrı, M., Özütler, H. On the Predictability of Bitcoin Price Movements: A Short-term Price Prediction with ARIMA. J. Econ. Policy Res. İktisat Polit. Araştırmaları Derg., 8(2), 293–309.
Buturac, Goran .(2022). Measurement of economic forecast accuracy: A systematic overview of the empirical literature, Journal of Risk and Financial Management. Vol. 15. pp. 1-28.
Choi, H K. (2018). Stock price correlation coefficient prediction with ARIMA-LSTM hybrid model. Seoul, Korea: Korea University. Retrieved from Retrieved from: https://arxiv.org/pdf/1808.01560v5.pdf
CoinMarketCap. Cryptocurrency Prices, Charts and Market Capitalizations. https://coinmarketcap.com/ (accessed Apr. 07, 2023).
Dev Shah,. Wesley Campbell,. Farhana H Zulkernine. (2018). A Comparative Study of LSTM and DNN for Stock Market Forecasting. IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 2018, pp. 4148-4155.
Fattah, J., Ezzine, L., Aman, Z., Moussami, HE., Lachhab, A . (2018).Forecasting of demand using ARIMA model.International Journal of Engineering Business Management, 10.
Fischer, T., Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669.
Hasin, MAA., Ghosh, S., Shareef, MA. (2011). An ANN Approach to Demand Forecasting in Retail Trade in Bangladesh.International Journal of Trade, Economics and Finance,154–160.
Haviluddina, Jawahir, A. (2015). Comparing of ARIMA and RBFNN for short-term forecasting.Comparing of ARIMA and RBFNN for Short-Term Forecasting, 1 , 1-8.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. (2nd ed.). 384 p.  OTexts. https://otexts.org/fpp2/
Jenkins, G.E.P., Box. (1970). Time series analysis, forecasting and control. Holden-Day, San Francisco, CA.575 p.
Krauss C., Anh, X., & Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research, 259(2), 689-702.
Kryzanowski, L., Galler, M., & Wright, D. W. (1993). Using Artificial Neural Networks to Pick Stocks. Financial Analysts Journal, 49(4), 21-27.
Levenbach, H. (2017). Change & Chance Embraced: Achieving Agility with Smarter Forecasting in the Supply Chain. Delphus Publishing. 422 p.
Nademi, A., & Nademi, Y. (2018). Forecasting crude oil prices by a semiparametric Markov switching model: OPEC, WTI, and Brent cases. Energy economics, 74, 757-766.
Olson, D., Mossman, C. (2003). Neural network forecasts of Canadian stock returns using. International Journal of Forecasting. 19, 453-465.
R.A. de Oliveira D.M.Q. Nelson, A.C.M. Pereira. (2017). Stock markets price movement prediction with lstm neural networks. In 2017 International Joint Conference on Neural Networks (IJCNN), 1419–1426.
Raymond, Y. T. (1997). An application of the ARIMA model to real-estate prices in Hong Kong. Journal of Property Finance, 8(2), 152-163.
Siami-Namini, S., Tavakoli, N., & Namin, A. (2018). A Comparison of ARIMA and LSTM in Forecasting Time Series. IEEE International Conference on Machine Learning and Applications, 17,1394-1401.
Temür, A., Akgün, M., & Temür, G. (2019). Predicting housing sales in Turkey using ARIMA, LSTM and hybrid models. Journal of Business Economics and Management, 20, 920-938.
Weiss, E.(2000). Forecasting commodity prices using ARIMA.Technical Analysis of Stocks & Commodities, 18(1), 18-19.
Zhang, P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, pp. 159-175.
اقتصاد و تجارت نوین
دوره 19، شماره 1 - شماره پیاپی 62
فروردین 1403
صفحه 163-191

فایل ها

سابقه مقاله

  • تاریخ دریافت: 07 آذر 1402
  • تاریخ بازنگری: 17 فروردین 1403
  • تاریخ پذیرش: 24 فروردین 1403

هم رسانی

ارجاع به این مقاله

آمار