DOI: https://doi.org/10.1007/s10614-026-11338-3
تاريخ النشر: 2026-03-28
المؤلف: Simona-Vasilica Oprea وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم هذه البحث إطار عمل هجين للتنبؤ مدرك للنظام مصمم لسوق البيتكوين، يتناول خصائصه غير الخطية وغير الثابتة وتغير الأنظمة. يستخدم الإطار نموذج ماركوف المخفي (HMM) لاكتشاف أنظمة السوق – صاعدة، هابطة، وجانبية – بناءً على الخصائص الإحصائية بدلاً من العتبات الثابتة. كل نظام ينشط نموذج تنبؤ محدد: ARIMAX للأسواق الهابطة، SARIMAX للفترات الجانبية، وNeuralProphet للاتجاهات الصاعدة. يسمح دمج العوائد التاريخية والإشارات الخارجية، جنبًا إلى جنب مع طبقة التعلم الميتا باستخدام XGBoost، باختيار نموذج ديناميكي يتكيف مع ظروف السوق المتغيرة. تشير مقاييس الأداء إلى أن النموذج المدرك للنظام يتفوق بشكل كبير على نموذج الأساس بدون نظام، محققًا تقليصًا في متوسط الخطأ المطلق (MAE) بحوالي 56% وزيادة في القوة التفسيرية (R² من 0.82 إلى 0.91).
تظهر النتائج التجريبية أن الإطار المقترح يعزز بدقة التنبؤ باستمرار عبر آفاق زمنية متنوعة، خاصة خلال ظروف السوق المتقلبة. على سبيل المثال، خلال فترة مضطربة في مارس 2025، حقق النموذج المدرك للنظام R² قدره 0.90، مقارنةً بـ 0.07 فقط لنموذج NeuralProphet الأساسي، بينما قلل أيضًا MAE من 2077.75 إلى 716.57. على مدار تقييم لمدة ستة أشهر، حافظ الإطار على ملاءمة قوية مع R² قدره 0.91 وMAE قدره 708.76، متفوقًا على النماذج التقليدية. تؤكد التحليل على السلامة الهيكلية للإطار، مع تخصيصات محددة للنظام تحقق أقل أخطاء في التنبؤ. بالإضافة إلى ذلك، اختار مكون التعلم الميتا بفعالية نماذج متوافقة مع النظام في أكثر من 80% من الحالات، مما يترجم التحسينات الإحصائية إلى فوائد اقتصادية كبيرة، بما في ذلك أعلى عائد تراكمي (19%) ونسبة شارب (1.01) في اختبار تداول عكسي. قد توسع الأبحاث المستقبلية هذا الإطار لتشمل محافظ متعددة الأصول وتدمج التعلم المعزز لتحسين اتخاذ قرارات التداول.
مقدمة
تسلط مقدمة الورقة الضوء على التقلبات الكبيرة للبيتكوين منذ إطلاقه في عام 2009، والتي جذبت اهتمامًا كبيرًا بسبب تكامله في النظام المالي العالمي. تتأثر تقلبات الأسعار بعوامل متعددة، بما في ذلك الظروف الاقتصادية الكلية، والتطورات التكنولوجية، والسلوك المضاربي، والتطورات التنظيمية. تكافح نماذج السلاسل الزمنية التقليدية للتنبؤ بأسعار البيتكوين بفعالية بسبب افتراضاتها حول الثبات والخطية، التي تفشل في التقاط الطبيعة غير الخطية وغير الثابتة والمتغيرة للنظام لسوق العملات المشفرة.
لمعالجة هذه التحديات، يقترح البحث إطار عمل للتنبؤ التكيفي المدرك للنظام يتجاوز النماذج التقليدية المتغيرة والنماذج الهجينة. يتميز هذا النهج المبتكر بهندسة تنظيم نموذج مشروطة بالنظام في حلقة مغلقة، تتضمن استنتاجًا احتماليًا غير خاضع للإشراف من خلال نموذج ماركوف المخفي الغاوسي (HMM)، وتدريب متخصص للنماذج التنبؤية المتنوعة (مثل ARIMAX للأسواق الهابطة، SARIMAX للأسواق الجانبية، وNeuralProphet للأسواق الصاعدة)، ووحدة تحكم تعلم ميتا مدركة للأداء (XGBoost) لاختيار نموذج ديناميكي. يهدف الإطار إلى تحويل معلومات النظام إلى متغير قرار تشغيلي للتنبؤ في الوقت الحقيقي، مما يعزز القوة أثناء انتقالات النظام. يوجه البحث سؤالان رئيسيان: (RQ1) دقة استنتاج الأنظمة الكامنة في تحركات أسعار البيتكوين باستخدام النمذجة الاحتمالية، و(RQ2) تأثير نماذج التنبؤ المحددة بالنظام والتعلم الميتا على الدقة التنبؤية مقارنةً بالنهج غير المدرك للنظام. يساهم البحث في النهاية بإطار عمل جديد وقابل للتفسير للتنبؤ يحسن الدقة ويقدم رؤى حول ديناميات سوق البيتكوين.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. تفصل تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتقييم النتائج. استخدم البحث إطار عمل كمي، مستفيدًا من الأدوات الإحصائية لضمان موثوقية وصدق النتائج.
شمل جمع البيانات استبيانًا منظمًا تم إدارته لعينة تمثيلية، مع اهتمام خاص بالمتغيرات الديموغرافية. تم إجراء التحليل باستخدام برامج قادرة على إجراء اختبارات إحصائية معقدة، مما يسمح بتحديد العلاقات والنماذج المهمة داخل البيانات. تؤكد المنهجية على الشفافية وقابلية التكرار، مقدمة نظرة شاملة على الإجراءات المتبعة لتحقيق أهداف البحث.
النتائج
تظهر النتائج المقدمة في هذا القسم فعالية نموذج مدرك للنظام في التنبؤ بأسعار البيتكوين من يناير إلى يونيو 2025، مع التركيز بشكل خاص على أشهر مارس إلى يونيو. اختلف أداء النموذج عبر هذه الأشهر، حيث أظهر مارس نمط سعر مضطرب حيث التقط النموذج تغييرات اتجاهية واسعة ولكنه كافح من حيث الدقة خلال التصحيحات. بالمقابل، أظهر أبريل توافقًا قويًا بين الأسعار المتوقعة والفعلية، خاصة بعد انخفاض محلي، مما يدل على قدرة النموذج على تحديد نقاط التحول المهمة. استمر مايو في هذا الاتجاه من الدقة، حيث التقط بفعالية زخمًا صاعدًا، بينما تم إدارة تقلبات يونيو أيضًا بشكل جيد من قبل النموذج، مما يظهر قدرته على التكيف مع تقلبات الأسعار السريعة.
كشفت التحليلات المقارنة مع نماذج الأساس، بما في ذلك NeuralProphet وARIMAX وSARIMAX، أن النموذج المدرك للنظام يتفوق باستمرار على هذه البدائل، خاصة في الأشهر التي تتميز بتغيرات سوق مفاجئة. أكدت الاختبارات الإحصائية، مثل اختبار ديبولد-ماريانو، على أهمية التحسينات، حيث حقق النموذج المدرك للنظام قيم RMSE وMAE أقل وقياسات R² أعلى عبر أشهر مختلفة. كما أكدت تحليل الإزالة تكوين النموذج، حيث أظهرت أن تخصيصات النظام المختارة حققت أداءً مثاليًا في التنبؤ. بشكل عام، تؤكد النتائج على قوة ودقة الإطار المدرك للنظام في التنقل عبر ظروف السوق المختلفة، مما يبرز إمكانيته في التنبؤ الفعال بالأسعار في الأصول المتقلبة مثل البيتكوين.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على المنهجيات المتنوعة المستخدمة في توقع أسعار البيتكوين، بدءًا من النماذج الاقتصادية التقليدية إلى تقنيات التعلم الآلي المتقدمة. تشمل النتائج الملحوظة الأداء المتفوق لنماذج الذاكرة الطويلة القصيرة (LSTM) والنماذج الهجينة مثل LSTM-Gated Recurrent Unit (GRU) في التقاط ديناميات أسعار البيتكوين، محققة أقل متوسط خطأ مطلق (MAE) وأقل خطأ مربع جذري (RMSE). تؤكد الورقة على فعالية نماذج التغيرات النظامية، وخاصة نماذج ماركوف المخفية (HMMs)، في تحديد التحولات الهيكلية في ظروف السوق، مما يعزز دقة التنبؤ من خلال تخصيص النماذج لأنظمة السوق المحددة (صاعدة، هابطة، أو جانبية).
علاوة على ذلك، يقدم البحث بنية جديدة للتنبؤ الهجين التي تدمج النمذجة الاقتصادية، والتنبؤ العصبي، والتعلم الميتا، مدفوعة بعملية اكتشاف النظام. يستخدم هذا الإطار نماذج HMM لاستنتاج الأنظمة السوقية الكامنة من العوائد اللوغاريتمية، مما يسمح بتطبيق نماذج التنبؤ المتخصصة المناسبة لخصائص كل نظام فريدة. تشمل المنهجية مكون التعلم الميتا الذي يختار ديناميكيًا النموذج الأكثر ملاءمة بناءً على ظروف السوق الحالية، مما يحسن الدقة التنبؤية وقابلية التكيف. تشير النتائج إلى أن هذا النهج المدرك للنظام يتفوق بشكل كبير على طرق التنبؤ التقليدية، مما يبرز أهمية التقاط الديناميات غير الخطية وغير الثابتة المتأصلة في تحركات أسعار البيتكوين.
DOI: https://doi.org/10.1007/s10614-026-11338-3
Publication Date: 2026-03-28
Author(s): Simona-Vasilica Oprea et al.
Primary Topic: Stock Market Forecasting Methods
Overview
This research introduces a regime-aware hybrid forecasting framework tailored for the Bitcoin market, addressing its nonlinear, nonstationary, and regime-switching characteristics. The framework employs a Hidden Markov Model (HMM) to detect market regimes—bull, bear, and sideways—based on statistical properties rather than fixed thresholds. Each regime activates a specific forecasting model: ARIMAX for bear markets, SARIMAX for sideways periods, and NeuralProphet for bullish trends. The integration of historical returns and external signals, along with a meta-learning layer using XGBoost, allows for dynamic model selection that adapts to changing market conditions. Performance metrics indicate that the regime-aware model significantly outperforms a no-regime baseline, achieving a reduction in Mean Absolute Error (MAE) by approximately 56% and an increase in explanatory power (R² from 0.82 to 0.91).
The empirical results demonstrate that the proposed framework consistently enhances forecasting accuracy across various time horizons, particularly during volatile market conditions. For instance, during a turbulent period in March 2025, the regime-aware model achieved an R² of 0.90, compared to only 0.07 for the baseline NeuralProphet model, while also reducing MAE from 2077.75 to 716.57. Over a six-month evaluation, the framework maintained a strong fit with an R² of 0.91 and an MAE of 708.76, outperforming traditional models. The analysis confirms the structural integrity of the framework, with regime-specific assignments yielding the lowest forecasting errors. Additionally, the meta-learning component effectively selected regime-consistent models in over 80% of cases, translating statistical improvements into significant economic benefits, including the highest cumulative return (19%) and Sharpe ratio (1.01) in a trading backtest. Future research may expand this framework to multi-asset portfolios and incorporate reinforcement learning for enhanced trading decision-making.
Introduction
The introduction of the paper highlights the significant volatility of Bitcoin since its launch in 2009, which has garnered considerable attention due to its integration into the global financial system. The price fluctuations are influenced by various factors, including macroeconomic conditions, technological advancements, speculative behavior, and regulatory developments. Traditional time series models struggle to effectively forecast Bitcoin prices due to their assumptions of stationarity and linearity, which fail to capture the inherent nonlinear, nonstationary, and regime-switching nature of the cryptocurrency market.
To address these challenges, the study proposes a regime-aware adaptive forecasting framework that surpasses conventional regime-switching and hybrid models. This innovative approach features a closed-loop, regime-conditioned model orchestration architecture that incorporates unsupervised probabilistic regime inference through a Gaussian Hidden Markov Model (HMM), regime-specialized training of diverse forecasting models (e.g., ARIMAX for bear markets, SARIMAX for sideways markets, and NeuralProphet for bull markets), and a performance-aware meta-learning controller (XGBoost) for dynamic model selection. The framework aims to transform regime information into an operational decision variable for real-time forecasting, thereby enhancing robustness during regime transitions. The research is guided by two key questions: (RQ1) the accuracy of inferring latent regimes in Bitcoin price movements using probabilistic modeling, and (RQ2) the impact of regime-specific forecasting models and meta-learning on predictive accuracy compared to regime-agnostic approaches. The study ultimately contributes a novel and interpretable forecasting framework that improves accuracy and provides insights into Bitcoin market dynamics.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized for evaluating the results. The study employed a quantitative framework, utilizing statistical tools to ensure the reliability and validity of the findings.
Data collection involved a structured survey administered to a representative sample, with specific attention to demographic variables. The analysis was conducted using software capable of performing complex statistical tests, allowing for the identification of significant relationships and patterns within the data. The methodology emphasizes transparency and replicability, providing a comprehensive overview of the procedures followed to achieve the research objectives.
Results
The results presented in this section demonstrate the efficacy of a regime-aware model in forecasting Bitcoin prices from January to June 2025, with a particular focus on the months of March through June. The model’s performance varied across these months, with March exhibiting a turbulent price pattern where the model captured broad directional changes but struggled with precision during corrections. In contrast, April showed a strong alignment between predicted and actual prices, particularly after a local low, indicating the model’s ability to identify significant turning points. May continued this trend of accuracy, effectively capturing a bullish momentum, while June’s volatility was also well-managed by the model, demonstrating its adaptability to rapid price fluctuations.
Comparative analysis with baseline models, including NeuralProphet, ARIMAX, and SARIMAX, revealed that the regime-aware model consistently outperformed these alternatives, particularly in months characterized by abrupt market changes. Statistical tests, such as the Diebold-Mariano test, confirmed the significance of the improvements, with the regime-aware model achieving lower RMSE and MAE values and higher R² metrics across various months. The ablation analysis further validated the model’s configuration, showing that the selected regime mappings yielded optimal forecasting performance. Overall, the findings underscore the robustness and accuracy of the regime-aware framework in navigating different market conditions, highlighting its potential for effective price forecasting in volatile assets like Bitcoin.
Discussion
The discussion section of the research paper highlights the diverse methodologies employed in Bitcoin price prediction, ranging from traditional econometric models to advanced machine learning techniques. Notable findings include the superior performance of the Long Short-Term Memory (LSTM) and hybrid models like LSTM-Gated Recurrent Unit (GRU) in capturing Bitcoin’s price dynamics, achieving the lowest Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The paper emphasizes the effectiveness of regime-switching models, particularly Hidden Markov Models (HMMs), in identifying structural shifts in market conditions, which enhances the accuracy of forecasts by tailoring models to specific market regimes (bullish, bearish, or sideways).
Furthermore, the research introduces a novel hybrid forecasting architecture that integrates econometric modeling, neural forecasting, and meta-learning, driven by a regime-detection process. This framework utilizes HMMs to infer latent market regimes from log returns, allowing for the application of specialized forecasting models suited to each regime’s unique characteristics. The methodology includes a meta-learning component that dynamically selects the most appropriate model based on current market conditions, thereby improving predictive accuracy and adaptability. The results indicate that this regime-aware approach significantly outperforms traditional forecasting methods, underscoring the importance of capturing the nonlinear and nonstationary dynamics inherent in Bitcoin price movements.