DOI: https://doi.org/10.62754/joe.v4i2.6663
تاريخ النشر: 2025-03-26
المؤلف: Md. Shahidul Islam وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تبحث الدراسة في تطوير وتقييم نماذج التعلم الآلي لتوقع اتجاهات أسعار العملات المشفرة، مع التركيز على العملات المشفرة الرئيسية مثل بيتكوين (BTC) وإيثيريوم (ETH) داخل الولايات المتحدة. تستخدم التحليل مجموعة بيانات شاملة تتضمن بيانات سعرية تاريخية واسعة، وأحجام تداول، ومؤشرات سوق رئيسية، مثل المتوسطات المتحركة ومؤشر القوة النسبية (RSI). توفر هذه المجموعة من البيانات رؤى حول سلوك الأسعار عند دقات زمنية مختلفة (يومية، وساعية، ودقيقة) وتعكس كثافة التداول والسيولة.
تم استخدام ثلاثة نماذج من التعلم الآلي – الانحدار اللوجستي، مصنف الغابة العشوائية، ومصنف XG Boost – للتنبؤ باتجاهات السوق (صعودًا أو هبوطًا). من بين هذه النماذج، أظهر الانحدار اللوجستي أعلى دقة، مما يدل على فعاليته في هذا السياق. تشير النتائج إلى أن دمج التوقعات المدفوعة بالذكاء الاصطناعي في تداول العملات المشفرة يمكن أن يعزز بشكل كبير من اتخاذ القرارات للمتداولين والمستثمرين المؤسسيين، مع معالجة الامتثال التنظيمي في الولايات المتحدة. تبرز الدراسة الإمكانيات للبحوث المستقبلية، لا سيما في استكشاف أساليب التعلم العميق، مثل الشبكات العصبية طويلة وقصيرة الأجل (LSTM)، لتوقع السلاسل الزمنية في سوق العملات المشفرة.
مقدمة
تسلط المقدمة الضوء على التطور السريع لسوق العملات المشفرة منذ ظهور بيتكوين في عام 2009، حيث تحول من تقنية متخصصة إلى فئة أصول متعددة التريليونات من الدولارات. لقد أدى هذا النمو إلى تعطيل الأنظمة المالية التقليدية من خلال توفير بدائل لامركزية، بلا حدود، وشفافة للعملات الورقية، مما جذب مجموعة متنوعة من المشاركين، بما في ذلك المتداولين الأفراد، والمستثمرين المؤسسيين، والحكومات التي تتطلع للاستفادة من تقنية البلوكشين.
ومع ذلك، كما أشار خان وآخرون (2024)، فقد صاحب هذا النمو غير المسبوق تقلبات كبيرة، حيث غالبًا ما تشهد العملات المشفرة تقلبات بنسبة رقمين ضمن فترات زمنية قصيرة. على سبيل المثال، تباينت قيمة بيتكوين بشكل كبير، من مجرد سنتات في أيامها الأولى إلى ما يقرب من 70,000 دولار في عام 2021، تلتها تصحيحات كبيرة. يتأثر التقلب بعدة عوامل، بما في ذلك مشاعر السوق، والإعلانات التنظيمية، والتقدم التكنولوجي، والظروف الاقتصادية الكلية (بيون وشهبازي، 2021). نظرًا لأن العملات المشفرة تفتقر إلى قيمة جوهرية وعرضة للتداول المضاربي، فإن تحركات أسعارها غير متوقعة، مما يبرز الحاجة إلى أدوات توقع فعالة لمساعدة المشاركين في التنقل عبر تعقيدات اقتصاد العملات المشفرة (سيزان وآخرون، 2023).
طرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، حيث تم استخدام أدوات إحصائية لضمان موثوقية وValidity النتائج.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مما يضمن حجم عينة قوي يعزز من تعميم النتائج. شمل التحليل تطبيق مجموعة متنوعة من الاختبارات الإحصائية، مثل اختبارات t وتحليل الانحدار، لتقييم العلاقات بين المتغيرات ولتقديم استنتاجات ذات مغزى من البيانات. بشكل عام، تم تصميم المنهجية لاختبار أسئلة البحث بدقة مع تقليل التحيزات المحتملة.
مناقشة
في قسم المناقشة من ورقة البحث، يبرز شوكسي وآخرون (2023) عدم كفاية النماذج المالية التقليدية، مثل ARIMA وGARCH، في توقع أسعار العملات المشفرة بسبب اعتمادها على افتراضات خطية وبيانات تاريخية. إن الطبيعة اللامركزية ومنخفضة التنظيم لأسواق العملات المشفرة تقدم مجموعة من العوامل الخارجية وغير الخطية – مثل مشاعر وسائل التواصل الاجتماعي والتداولات الكبيرة من قبل مستثمرين بارزين – التي تفشل النماذج التقليدية في أخذها بعين الاعتبار. نتيجة لذلك، هناك حاجة ملحة لنماذج تنبؤية متقدمة يمكن أن تلتقط السلوك الديناميكي لهذه الأسواق، لا سيما من خلال تطبيق تقنيات التعلم الآلي (ML).
تهدف الدراسة إلى تطوير وتقييم نماذج مدفوعة بالتعلم الآلي لتوقع اتجاهات أسعار العملات المشفرة، مع التركيز على أساليب التعلم الخاضع مثل الانحدار، وأشجار القرار، والشبكات العصبية. يتم تدريب هذه النماذج على مجموعة متنوعة من البيانات، بما في ذلك الأسعار التاريخية، والمؤشرات الفنية، والعوامل الخارجية، لتحسين دقة التوقعات. تؤكد الدراسة على أهمية هذه النماذج لمختلف أصحاب المصلحة، بما في ذلك المستثمرين الأفراد والمؤسسيين، الذين يمكنهم الاستفادة من التوقعات الدقيقة لتعزيز إدارة المخاطر واستراتيجيات الاستثمار. علاوة على ذلك، تحدد الورقة الفجوات البحثية الحرجة، مثل الحاجة إلى نماذج توقع عالية التردد ودمج تقنيات الذكاء الاصطناعي القابلة للتفسير، لتعزيز الثقة والشفافية في تطبيقات التعلم الآلي ضمن القطاع المالي.
القيود
تقدم الدراسة حول الاستفادة من التعلم الآلي لتوقع أسعار العملات المشفرة قيودًا ملحوظة. أحد القضايا الرئيسية هي توفر البيانات، خاصة بالنسبة للعملات المشفرة الأقل شهرة، أو العملات البديلة، التي غالبًا ما تظهر أحجام تداول منخفضة وسجلات تاريخية قصيرة. تعيق هذه الندرة تطوير نماذج تنبؤية قوية، حيث تتطلب تقنيات التعلم الآلي عادةً مجموعات بيانات واسعة ومتنوعة لتحديد الأنماط ذات المعنى. علاوة على ذلك، قد تتأثر جودة البيانات للعملات المشفرة الأصغر بوجود فجوات أو تناقضات، مما يؤثر سلبًا على أداء النموذج. يتطلب معالجة هذه المشكلة الحصول على بيانات عالية الجودة وتطبيق منهجيات قادرة على التعامل مع مجموعات بيانات متفرقة أو غير مكتملة.
تنشأ قيود أخرى كبيرة من التحيزات الجوهرية في النماذج التنبؤية بسبب الأحداث السوقية غير المتوقعة. يتأثر سوق العملات المشفرة بمجموعة من العوامل، بما في ذلك التغييرات التنظيمية، والتقدم التكنولوجي، والتطورات الجيوسياسية، العديد منها يصعب توقعه أو قياسه. يمكن أن تؤدي الأحداث المفاجئة، مثل الحملات التنظيمية أو خروقات الأمان، إلى تقلبات سعرية كبيرة تنحرف عن الاتجاهات التاريخية، مما يؤدي إلى توقعات غير دقيقة. لتعزيز موثوقية النماذج التنبؤية، يجب على الأبحاث المستقبلية استكشاف دمج أنظمة الكشف عن الأحداث في الوقت الحقيقي التي يمكن أن تحدد وتتكيف مع التغيرات السوقية غير المتوقعة، مما يحسن ديناميكية عملية التوقع.
DOI: https://doi.org/10.62754/joe.v4i2.6663
Publication Date: 2025-03-26
Author(s): Md. Shahidul Islam et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research investigates the development and evaluation of machine learning models for forecasting cryptocurrency price trends, focusing on major cryptocurrencies such as Bitcoin (BTC) and Ethereum (ETH) within the United States. The analysis utilizes a comprehensive dataset that includes extensive historical price data, trading volumes, and key market indicators, such as moving averages and the relative strength index (RSI). This dataset provides insights into price behavior at various temporal resolutions (daily, hourly, and minute-level) and reflects trading intensity and liquidity.
Three machine learning models—Logistic Regression, Random Forest Classifier, and XG Boost Classifier—were employed to predict market directions (upward or downward). Among these, Logistic Regression demonstrated the highest accuracy, indicating its effectiveness in this context. The findings suggest that integrating AI-driven forecasts into cryptocurrency trading could significantly enhance decision-making for traders and institutional investors, while also addressing regulatory compliance in the United States. The study highlights the potential for future research, particularly in exploring deep learning approaches, such as Long Short-Term Memory (LSTM) networks, for time-series forecasting in the cryptocurrency market.
Introduction
The introduction highlights the rapid evolution of the cryptocurrency market since the inception of Bitcoin in 2009, transforming from a niche technology into a multitrillion-dollar asset class. This growth has disrupted traditional financial systems by providing decentralized, borderless, and transparent alternatives to fiat currencies, attracting a diverse array of participants, including retail traders, institutional investors, and governments eager to leverage blockchain technology.
However, as noted by Khan et al. (2024), this unprecedented growth has been accompanied by significant volatility, with cryptocurrencies often experiencing double-digit percentage fluctuations within short time frames. For instance, Bitcoin’s value has dramatically varied, from mere cents in its early days to nearly $70,000 in 2021, followed by substantial corrections. The volatility is influenced by various factors, including market sentiment, regulatory announcements, technological advancements, and macroeconomic conditions (Byun & Shahbazi, 2021). Given that cryptocurrencies lack intrinsic value and are prone to speculative trading, their price movements are unpredictable, underscoring the need for effective forecasting tools to assist participants in navigating the complexities of the crypto economy (Sizan et al., 2023).
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 used to interpret the results. The study utilized a quantitative framework, employing statistical tools to ensure the reliability and validity of the findings.
Data were gathered through structured surveys and controlled experiments, ensuring a robust sample size that enhances the generalizability of the results. The analysis involved the application of various statistical tests, such as t-tests and regression analysis, to assess the relationships between variables and to draw meaningful conclusions from the data. Overall, the methodology is designed to rigorously test the research questions while minimizing potential biases.
Discussion
In the discussion section of the research paper, Chouksey et al. (2023) highlight the inadequacies of traditional financial models, such as ARIMA and GARCH, in predicting cryptocurrency prices due to their reliance on linear assumptions and historical data. The decentralized and low-regulated nature of cryptocurrency markets introduces a multitude of exogenous and nonlinear factors—such as social media sentiment and large trades by significant investors—that traditional models fail to account for. As a result, there is a pressing need for advanced predictive models that can capture the dynamic behavior of these markets, particularly through the application of machine learning (ML) techniques.
The research aims to develop and evaluate ML-driven models for forecasting cryptocurrency price trends, focusing on supervised learning methods like regression, decision trees, and neural networks. These models are trained on a diverse set of data, including historical prices, technical indicators, and external factors, to improve forecasting accuracy. The study emphasizes the relevance of these models for various stakeholders, including retail and institutional investors, who can leverage accurate predictions to enhance risk management and investment strategies. Furthermore, the paper identifies critical research gaps, such as the need for high-frequency forecasting models and the integration of explainable AI techniques, to foster trust and transparency in ML applications within the financial sector.
Limitations
The study on leveraging machine learning for cryptocurrency price prediction presents notable limitations. A primary concern is the availability of data, particularly for lesser-known cryptocurrencies, or altcoins, which often exhibit low trading volumes and short historical records. This scarcity hampers the development of robust predictive models, as machine learning techniques typically require extensive and diverse datasets to identify meaningful patterns. Furthermore, the quality of data for smaller cryptocurrencies may be compromised by gaps or inconsistencies, adversely affecting model performance. Addressing this issue necessitates the acquisition of higher-quality data and the application of methodologies capable of handling sparse or incomplete datasets.
Another significant limitation arises from the inherent biases in predictive models due to unpredictable market events. The cryptocurrency market is influenced by a myriad of factors, including regulatory changes, technological advancements, and geopolitical developments, many of which are difficult to anticipate or quantify. Sudden events, such as regulatory crackdowns or security breaches, can lead to drastic price fluctuations that deviate from historical trends, resulting in inaccurate forecasts. To enhance the reliability of predictive models, future research should explore the integration of real-time event detection systems that can identify and adapt to unforeseen market changes, thereby improving the dynamism of the forecasting process.