حسابداری، امور مالی و هوش محاسباتی 3092-7366 2 پیاپی ۴ 1403 06 30 Comparing the Results of Neural Networks in Predicting Cryptocurrency Prices Under Risk Conditions مقایسه نتایج حاصل از شبکه‌های عصبی در پیش‌بینی قیمت رمزارزها در شرایط ریسک 57 78 FA محمددانیال جاهد گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. زاداله فتحی گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران . غلامرضا زمردیان گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 1403/02/10 <p>This study aimed to compare the performance of different neural networks in predicting cryptocurrency prices, with a focus on Bitcoin, under risk conditions. The research was applied and descriptive-analytical in nature. Historical data of Bitcoin, Ethereum, and Ripple from 2018 to 2023 were collected from reliable exchanges and financial platforms. After preprocessing, the data were divided into training and testing sets. Two neural network models, Multilayer Perceptron (MLP) and Radial Basis Function (RBF), were designed and implemented. Model performance was evaluated using error measurement indices including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R²). The results indicated that the MLP model outperformed the RBF model in prediction accuracy. The coefficient of determination reached 99.5% for MLP and 98.9% for RBF. Comparative analysis of error metrics showed significant reductions in RMSE and MAE in the MLP model compared to RBF. Moreover, the proposed Multi-Input Deep Learning (MICDL) model surpassed comparative CNN-LSTM models in classifying short-term price movements, particularly in directional prediction accuracy. Neural networks, especially the MLP model, demonstrated high accuracy and flexibility in forecasting cryptocurrency price fluctuations. These models can serve as effective tools for investors, analysts, and policymakers in risk management and informed decision-making. However, incorporating more diverse and real-time data along with hybrid deep learning techniques could further enhance predictive performance in future studies.</p> <p>این پژوهش با هدف مقایسه عملکرد شبکه‌های عصبی مختلف در پیش‌بینی قیمت رمزارزها به‌ویژه بیت‌کوین در شرایط ریسک انجام شد. پژوهش حاضر از نوع کاربردی و توصیفی-تحلیلی است. داده‌های تاریخی مرتبط با قیمت و شاخص‌های کلیدی بیت‌کوین، اتریوم و ریپل در بازه زمانی ۲۰۱۸ تا ۲۰۲۳ از منابع معتبر صرافی‌ها و پلتفرم‌های مالی گردآوری شد. داده‌ها پس از پیش‌پردازش به دو بخش آموزش و آزمون تقسیم شدند. دو مدل شبکه عصبی پرسپترون چندلایه (MLP) و توابع پایه شعاعی (RBF) طراحی و اجرا گردید. برای ارزیابی عملکرد مدل‌ها، معیارهایی چون میانگین قدر مطلق خطا (MAE)، جذر میانگین مربعات خطا (RMSE) و ضریب تعیین (R²) محاسبه شد. نتایج نشان داد مدل MLP نسبت به مدل RBF عملکرد دقیق‌تری در پیش‌بینی قیمت رمزارزها دارد. ضریب تعیین برای MLP برابر با 99.5% و برای RBF برابر با 98.9% به‌دست آمد. مقایسه معیارهای خطا بیانگر کاهش قابل‌توجه RMSE و MAE در مدل MLP نسبت به مدل RBF بود. همچنین، مدل پیشنهادی چندورودی عمیق (MICDL) در پیش‌بینی تغییرات قیمتی کوتاه‌مدت توانست از مدل‌های CNN-LSTM مقایسه‌ای پیشی گیرد، به‌ویژه در شاخص‌های طبقه‌بندی جهت حرکت قیمت. استفاده از شبکه‌های عصبی، به‌ویژه مدل MLP، دقت و انعطاف بالایی در پیش‌بینی نوسانات رمزارزها دارد و می‌تواند ابزاری کارآمد برای سرمایه‌گذاران، تحلیلگران و سیاست‌گذاران مالی در مدیریت ریسک و تصمیم‌گیری آگاهانه باشد. با این حال، استفاده از داده‌های متنوع‌تر و لحظه‌ای و به‌کارگیری ترکیب الگوریتم‌های یادگیری عمیق می‌تواند موجب ارتقای پیش‌بینی‌ها در تحقیقات آتی شود.</p> https://jafci.com/index.php/jafci/article/download/156/105