مقایسه پیش‎بینی بازده ارزهای رمزنگاری‌شده با استفاده از دو رویکرد حرکت براونی هندسی و تبدیلات موجک

محورهای موضوعی : مهندسی مالی

احمد شجاعی ¹ (گروه مدیریت مالی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران)
علیرضا حیدرزاده هنزائی ² (گروه مدیریت مالی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران)

تاریخ دریافت : 1399/09/10 تاریخ پذیرش : 1399/10/01 تاریخ انتشار : 1400/04/01

کلید واژه: تبدیلات موجک, حرکت براونی هندسی, پیش‌بینی بازده, ارز رمزنگاری‌شده,

چکیده مقاله :

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.

چکیده انگلیسی:

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.