حسابداری، امور مالی و هوش محاسباتی 3092-7366 4 پاییز 1405 1405 06 01 Comparative Analysis of Cryptocurrency Market Behavior in Iran and the United States Using Hybrid Deep Learning Models and Indigenous Trading Strategy Design تحلیل مقایسه‌ای رفتار بازار رمزارز در ایران و آمریکا با استفاده از مدل‌های هیبریدی یادگیری عمیق و طراحی استراتژی معاملاتی بومی 1 32 FA علیرضا زمانیان دانشجوی دکتری، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران. محمد اسلانی استادیار، گروه حسابداری، واحد تویسرکان، دانشگاه آزاد اسلامی، تویسرکان، ایران محمود همت فر دانشیار، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران Journal Article 1404 04 25 <p>This study aims to develop a spatial–deep learning hybrid model to predict cryptocurrency returns and compare the behavior of the Iranian and U.S. crypto markets in order to design localized trading strategies. This applied–developmental quantitative study analyzed daily data of 32 leading cryptocurrencies from 2018 to 2024. The model architecture integrated: (1) spatial econometrics to capture contagion and network effects; (2) advanced deep learning models such as Graph Neural Networks, CNN–LSTM with attention, and Transformers to detect nonlinear temporal patterns; and (3) deep reinforcement learning for trading strategy optimization. Model performance was assessed using the Diebold–Mariano test and benchmarked against eight comparative models. The proposed spatial–deep hybrid model significantly outperformed both traditional econometric and single-component deep learning models. In the U.S. market, on-chain metrics and technical indicators were dominant predictors of price behavior, while in Iran, macroeconomic factors such as unofficial exchange rates and inflation played a key role. The hybrid model achieved an annualized return of 67.89% with a Sharpe ratio of 1.89 in the U.S. and 51.23% with a Sharpe ratio of 1.48 in Iran. By integrating spatial dependencies and nonlinear temporal dynamics, the model enhanced both predictive accuracy and economic interpretability. The clear divergence between the two markets underscores the vital influence of institutional and macroeconomic environments on crypto asset behavior. The results challenge the weak-form Efficient Market Hypothesis while supporting the Adaptive Markets Hypothesis, offering a novel analytical and strategic framework for digital asset investment.</p> <p>هدف پژوهش، توسعه یک مدل هیبریدی فضایی–یادگیری عمیق برای پیش‌بینی بازدهی رمزارزها و مقایسه رفتار بازار رمزارز در ایران و آمریکا به منظور طراحی استراتژی‌های معاملاتی بومی و بهینه است. این پژوهش از نوع کاربردی–توسعه‌ای و با رویکرد کمی انجام شده است. داده‌های ۳۲ رمزارز برتر بازار در بازه زمانی ۲۰۱۸ تا ۲۰۲۴ از منابع معتبر جهانی گردآوری گردید. مدل تحقیق شامل سه لایه اصلی بود: ۱) اقتصادسنجی فضایی جهت مدل‌سازی اثرات سرایت و روابط شبکه‌ای رمزارزها؛ ۲) مدل‌های یادگیری عمیق شامل شبکه‌های عصبی گرافی، CNN–LSTM با مکانیزم توجه، و ترنسفورمر برای شناسایی الگوهای غیرخطی زمانی؛ و ۳) یادگیری تقویتی عمیق برای طراحی استراتژی معاملاتی. ارزیابی مدل‌ها با آزمون‌های آماری از جمله دیبولد–ماریانو و مقایسه با هشت مدل معیار انجام شد. نتایج نشان داد مدل هیبریدی فضایی–یادگیری عمیق عملکرد به‌مراتب بهتری نسبت به مدل‌های کلاسیک و تک‌مؤلفه‌ای دارد. در بازار آمریکا، متغیرهای درون‌زنجیره‌ای و شاخص‌های فنی بیشترین اثر را بر قیمت رمزارزها داشتند، در حالی که در ایران، متغیرهای کلان اقتصادی نظیر نرخ ارز غیررسمی و تورم نقش غالب داشتند. استراتژی معاملاتی مبتنی بر مدل در آمریکا بازده سالانه ۶۷.۸۹٪ با نسبت شارپ ۱.۸۹ و در ایران بازده ۵۱.۲۳٪ با نسبت شارپ ۱.۴۸ ایجاد کرد. مدل پیشنهادی با ترکیب وابستگی‌های فضایی و الگوهای زمانی غیرخطی، دقت پیش‌بینی و تفسیرپذیری اقتصادی را همزمان ارتقا داد. تفاوت عملکرد در دو بازار بیانگر اهمیت محیط نهادی و اقتصادی در رفتار رمزارزها است. یافته‌ها فرضیه بازار کارای ضعیف را به چالش کشیده و فرضیه بازار انطباقی را تأیید می‌کنند. پژوهش مسیر جدیدی برای تحلیل و سرمایه‌گذاری در بازارهای رمزارز فراهم ساخت.</p> https://jafci.com/index.php/jafci/article/download/264/318