خلاصة:
در پژوهش حاضر دقت پیشبینی بازده ارزهای رمزنگاریشده با استفاده از دو رویکرد حرکت براونی هندسی و تبدیلات موجک مورد مقایسه قرار گرفت. برای این منظور پنج ارز رمزنگاریشده بیت کوین، اتریوم، ریپل، بیت کوین کش و ای او اس بهعنوان نمایندهای از داراییهای ریسکی طی دوره دوساله 2018 تا 2020 با تواتر روزانه مورد مطالعه قرار گرفتند. بهمنظور مقایسه دقت روشها در پیشبینی بازده از دو معیار ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا استفاده شد. در مدلسازی براونی هندسی، مدل دیفرانسیل تصادفی مبتنی بر فرایند براونی برای قیمت دارایی، منجر به این میشود که بازده لگاریتمی دارایی دارای توزیع نرمال با پارامترهای وابسته به زمان است. نتایج حاصل از پیشبینی بازده لگاریتمی این ارزها تحت هر دو روش نشان داد که تبدیلات موجک در 4 ارز (بیت کوین، اتریوم، ریپل، بیت کوین کش) از پنج ارز رمزنگاریشده مورد مطالعه، خطای کمتری در پیشبینی بازده داشته است و در ارز ای. او. اس. نیز از نظر هر معیار خطا، یکی از روشهای پیشبینی مطلوبیت داشته است. با استناد به این نتایج میتوان دریافت که روش تبدیلات موجک در پیشبینی بازده داراییهای ریسکی خطای کمتری نسبت به روش براونی هندسی داشته است.
In the present study the accuracy of predicting cryptocurrencies return was compared through two approaches of Geometric Broanian Motion (GBM) and Wavelet Transforms (WT). In order to do that, 5 cryptocurrencies of BTC, ETH, XRP, BCH and EOS as representatives of risky assets were studied with daily frequency during the one year period of 2018 to 2019. Two measures of RMSE and MAE were employed to compare the accuracy of approaches in prediction of returns. In geometric Brownian modeling, the Brownian process-based stochastic differential model for asset prices leads to the fact that the logarithmic return of an asset has a normal distribution with time-dependent parameters. The results of logarithmic returns prediction by both of methods showed that WTs have less error than GBM in returns prediction of BTC, ETH, XRP and BCH cryptocurrencies and for each of accuracy measures, an specific approach has desirable performance for prediction of EOS returns. citing these results it can be concluded that WT in prediction of risky assts returns has less error than GBM method.
ملخص الجهاز:
از سويي فرآيندي که در آن مقادير يک متغير تصادفي در آينده تنها به مقدار کنوني آن وابسته بوده و به مسير رسيدن به 93 مقدار فعلي آن بستگي ندارد را فرآيند مارکوف مي گويند و از اين جهت مدل حرکت براوني هندسي نيز از لحاظ فني يک فرآيند مارکوف محسوب ميشود (راعي و فلاح طلب ، ١٣٩٢) و همان فرآيندي است که بلک ، شولز و مرتون در مدل سازي قيمت اوراق مشتقه به کار گرفته اند و آن را به عنوان معادله ديفرانسيل تصادفي حاکم بر رفتار قيمت دارايي پايه در نظر ميگيرند (نيسي و پيماني ، ١٣٩٣).
Stock price prediction using geometric Brownian motion, Journal of Physics Conference Series, 974(1):012047 11) Badriah N.
Forecasting share prices accurately for one month using geometric Brownian motion, Journal of Science and Technology, 26(4):1619-1635.
Forecasting Stock Price using Hybrid Model based on Wavelet Transform in Tehran and New York Stock Market, INTERNATIONAL JOURNAL OF FINANCE AND MANAGERIAL ACCOUNTING, 3, 43-57.
110 يادداشت ها: 1 Ross 2 Sobczyk 3 Black & Scholes 4 Wavelet Transform 5 Fourier Transform 6 Stationary 7 Ho Tatt and Jeoti 8 Liu 9 Hoffman 10 Martin 11 Scale 12 Large Features 13 Bruns 14 Takayuki Morimoto 15 Reddy & Clinton 16 Agustini 17 Badriah 18 Tran and Leirvik 19 Litecoin 20 Ripple 21 Bitcoin 22 Ethereum 23 Ripple 24 Bitcoin Cash 25 EOS 111