مدل‌سازی و پیش‌بینی قیمت بیت‌کوین با رویکرد رگرسیون بردار پشتیبان (SVR) و مقایسه آن با مدل‌های کلاسیک، یادگیری ماشین و یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار دانشگاه آیت الله بروجردی

2 گروه اقتصاد، دانشکده علوم انسانی، دانشگاه آیت الله بروجردی (ره)، بروجرد، ایران.

10.22091/ise.2026.15301.1141

چکیده

هدف پژوهش حاضر، مدل‌سازی و پیش‌بینی قیمت بیت‌کوین با استفاده از الگوی SVR و داده‌های روزانه قیمت بیت‌کوین در بازه زمانی سیزده جولای 2010 تا بیست و نهم ژانویه 2026 است. برای این منظور، نخست با استفاده از رویکرد مولفه‌های اصلی هفت مولفه از متغیرهای بنیادی و تکنیکال موثر بر قیمت بیت‌‏‌کوین استخراج شد و به‌عنوان ویژگی‌های‌ ورودی مدل استفاده گردید. سپس، مدل رگرسیون بردار پشتیبان، همراه با نه مدل رقیب شامل مدل‌های ARIMA و GARCH الگوریتم‌های یادگیری ماشین RF، XGBOOST و مدل‌های یادگیری عمیق LSTM،GRU، RNN، MLP و CNN برای مدل‌سازی قیمت بازار بیت‌کوین بکار گرفته شد. نتایج ناشی از مقایسه معیارهای خطاها، ضریب همبستگی و تایل نشان داد، در پیش‌بینی شاخص قیمت بیت‌کوین، مدل SVR نسبت به سایر مدل‌های مورد بررسی عملکرد بهتری دارد. یافته‌های آزمون‌های دایبولد-ماریانو، ویلکاکسون، هانسن‌ـ‌لوند‌ـ‌‌ناسون، جیاکومینی‌ـ‌وایت و دایبولد ماریانو با تصحیح واریانس نیز برتری معنادار آماری مدل پیشنهادی را نسبت به مدل‌های رقیب تأیید کردند که اعتبار یافته‌های حاصل از معیارهای خطا را تقویت می‌کند. این یافته‌ها نشان می‌دهد که الگوی SVR به دلیل توانایی بالا در مدل‌سازی رفتارهای غیرخطی و نویزی بازار بیت‌کوین، قادر به ارائه پیش‌بینی‌های دقیق‌تر و پایدارتر است. توانمندی‌هایی الگوی SVR در پیش‌بینی قیمت بیت کوین، نشان‌دهنده ظرفیت تحول‌آفرین یادگیری ماشین در مدیریت سرمایه و کاهش نوسانات بازار است و می‌تواند مبنایی علمی برای توسعه ابزارهای مدیریت ریسک و تنظیم‌گری بازار دارایی‌های دیجیتال فراهم آورد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling and Forecasting Bitcoin Prices Using Support Vector Regression (SVR): A Comparative Study with Classical, Machine Learning, and Deep Learning Models

نویسندگان [English]

  • Reza Maaboudi 1
  • Soheila Aghaei 2
1 Department of Economics, Faculty of Humanities, Ayatollah Boroujerdi University, Boroujerd, Iran.
2 Department of Economics, Faculty of Humanities, Ayatollah Boroujerdi University, Boroujerd, Iran.
چکیده [English]

The present study aims to model and forecast Bitcoin prices using the Support Vector Regression (SVR) approach and daily Bitcoin price data from July 13, 2010, to January 29, 2026. To this end, first, seven components were extracted from the fundamental and technical variables affecting Bitcoin prices using Principal Component Analysis (PCA) and employed as input features for the model. Subsequently, the Support Vector Regression (SVR) model, along with eight competing models, including ARIMA and GARCH models, machine learning algorithms such as Random Forest (RF) and XGBoost, and deep learning models including LSTM, GRU, RNN, MLP, and CNN, was utilized to model the Bitcoin market price. The results obtained from comparisons of error metrics, the correlation coefficient, and Theil’s index indicated that, in forecasting the Bitcoin price index, the SVR model outperformed the other models under consideration. Furthermore, the findings of the Diebold–Mariano, Wilcoxon, Hansen–Lunde–Nason, Giacomini–White, and variance-corrected Diebold–Mariano tests also confirmed the statistically significant superiority of the proposed model over the competing models, thereby reinforcing the validity of the results derived from the error metrics. These findings indicate that the SVR model, due to its high capability in modeling the nonlinear and noisy behavior of the Bitcoin market, can provide more accurate and more stable forecasts of Bitcoin prices. The SVR model's forecasting capabilities for predicting Bitcoin prices indicate the transformative capacity of machine learning in investment management and in reducing market volatility, and can provide a scientific basis for the development of risk management tools and the regulation of digital asset markets.

کلیدواژه‌ها [English]

  • Bitcoin price forecasting
  • Machine Learning
  • Deep Learning
  • PCA Approach
  • Algorithm of Support Vector Regression
مطالعات بین رشته‌ای اقتصاد

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 مرداد 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار