پژوهش های نوین در تصمیم گیری

پیش‌بینی جهت حرکت قیمت بیت‌کوین پس از بیش‌واکنش سرمایه‌گذاران با بهره‌گیری از مدل‌ یادگیری عمیق چندمتغیره

نوع مقاله : مقاله پژوهشی

نویسندگان

مرجان سادات فاطمی قمی 1
عباس سقایی 2
مجید میرزایی قزآنی 3

1 دانشجوی دکتری، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار، گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر، تهران، ایران

چکیده
این پژوهش با هدف پیش‌بینی جهت حرکت قیمت بیت‌کوین پس از وقوع پدیده «بیش‌واکنش سرمایه‌گذاران» انجام شده است؛ پدیده‌ای که در ادبیات مالی رفتاری به‌عنوان یک ناهنجاری کلیدی شناخته می‌شود. با بهره‌گیری از رویکرد داده‌های چندوجهی، مجموعه‌ای از اطلاعات معاملاتی، شاخص‌های فنی، داده‌های درون‌زنجیره‌ای و شاخص‌های اجتماعی طی بازه اوت ۲۰۱۷ تا دسامبر ۲۰۲۳ تحلیل شد. پس از شناسایی ۳۰۳ روز بیش‌واکنش، فرآیند انتخاب ۱۱ ویژگی کلیدی از میان ۱۵۸ متغیر طی یک رویکرد سه‌مرحله‌ای شامل الگوریتم جنگل تصادفی، بررسی ماتریس همبستگی و محاسبه شاخص تورم واریانس (VIF) انجام شد تا ضمن اطمینان از نبود هم‌خطی چندگانه، مجموعه‌ای بهینه و معتبر برای ورود به مدل فراهم گردد. مدل پیشنهادی مبتنی بر شبکه عصبی حافظه بلند–کوتاه‌مدت (LSTM) چندمتغیره، با دقت ۶۷٪ جهت حرکت قیمت را پیش‌بینی کرد که به‌طور معناداری بالاتر از دقت مدل رگرسیون لجستیک (۵۳.۴٪) است. همچنین، روند کاهشی و باثبات تابع زیان آموزشی و آزمایشی، عدم بروز بیش‌برازش و توانایی مدل در یادگیری الگوهای واقعی را اثبات نمود. یافته‌ها حاکی از وجود ناکارایی‌های کوتاه‌مدت در بازار بیت‌کوین و قابلیت پیش‌بینی بازده‌های غیرعادی پس از بیش‌واکنش (در سطح اطمینان ۹۹٪) است. این چارچوب می‌تواند در طراحی استراتژی‌های معاملاتی و مدیریت ریسک هوشمند در بازارهای رمزارز به‌کار گرفته شود.

کلیدواژه‌ها

بازار بیت‌کوین
بیش‌واکنش سرمایه‌گذاران
پیش‌بینی قیمت
داده‌های چندوجهی
یادگیری عمیق
موضوعات

عنوان مقاله English

Predicting Post-Overreaction Price Movements in Bitcoin Using Multivariate Deep Learning Model

نویسندگان English

Marjan Sadat Fatemi Ghomi 1
َAbbas Saghaei 2
Majid Mirzaei ghazaani 3
1 Ph.D. Student, Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran
2 Professor, Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran
3 Associate Professor, Department of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran
چکیده English

This research investigates the predictability of Bitcoin price directions following investor overreaction, a prominent anomaly widely documented in behavioral finance. Leveraging a multimodal dataset—integrating transactional variables, technical indicators, on-chain metrics, and social signals derived from Google Trends—this study analyzes market dynamics from August 2017 to December 2023 and identifies 303 distinct overreaction episodes. To construct a reliable predictive framework, a rigorous three stage feature selection pipeline was implemented, combining Random Forest screening, correlation matrix analysis, and Variance Inflation Factor (VIF) assessment. This process yielded 11 highly informative and non multicollinear variables that served as the input features for the proposed multivariate Long Short Term Memory (LSTM) model. The LSTM model achieved a directional prediction accuracy of 67%, substantially outperforming the classical Logistic Regression benchmark with 53.4% accuracy. Moreover, the consistently declining and stable training and validation loss curves demonstrate strong generalization performance and confirm the model’s robustness against overfitting. Empirical findings reveal statistically significant short term market inefficiencies and predictable abnormal returns following overreaction events at the 99% confidence level. Overall, the study provides compelling evidence of exploitable behavioral patterns within the Bitcoin market and offers a practical foundation for developing advanced algorithmic trading strategies and dynamic risk management systems in cryptocurrency markets.

کلیدواژه‌ها English

Bitcoin Market
Deep Learning
Investor Overreaction
Price Prediction
Multimodal Features
[1] Bush, P.J., Stephens, J., & Mehdian, S. (2020). An Investigation of the Presence of Anomalies in Digital Asset Market: The Case of Bitcoin. Applied Finance Letters, 9, 73–80. https://doi.org/10.24135/afl.v9i0.266.
[2] Caporale, G.M., & Plastun, A. (2019). Price overreactions in the cryptocurrency market. Journal of Economic Studies, 46, 1137–1155. https://doi.org/ 10.1108/JES-09-2018-0310.
[3] Amini, S., Gebka, B., Hudson, R., & Keasey, K. (2013). A review of the international literature on the short term predictability of stock prices conditional on large prior price changes: microstructure, behavioral and risk related explanations. International Review of Financial Analysis, 26, 1–17. https://doi.org/ 10.1016/ j.irfa.2012.04.002.
[4] Brown, N.C., Wei, K.D., & Wermers, R. (2014). Analyst recommendations, mutual fund herding, and overreaction in stock prices. Management Science, 60, 1–20. https://doi.org/ 10.1287/mnsc.2013.1751.
[5] Borgards, O., & Czudaj, R.L. (2020). The prevalence of price overreactions in the cryptocurrency market. Journal of International Financial Markets, Institutions and Money, 65, 101194. https://doi.org/10.1016/j.intfin.2020.101194 .
[6] Borri, N. (2019). Conditional tail-risk in cryptocurrency markets. Journal of Empirical Finance, 50, 1–19. https://doi.org/10.1016/j.jempfin.2018.11.002 .
[7] Klein, T., Pham Thu, H., & Walther, T. (2018). Bitcoin is not the New Gold – a comparison of volatility, correlation, and portfolio performance. International Review of Financial Analysis, 59, 105–116. https://doi.org/10.1016/j.irfa .2018.07.010.
[8] Urquhart, A. (2018). What causes the attention of Bitcoin? Economics Letters, 166, 40–44. https://doi.org/10.1016/j.econlet.2018.02.017.
[9] Donier, J., & Bouchaud, J.P. (2015). Why do markets crash? Bitcoin data offers unprecedented insights. PLoS ONE, 10(10), e0139356. https://doi.org/10.1371/journal.pone.0139356.
[10] John, D.L., Binnewies, S., & Stantic, B. (2024). Cryptocurrency Price Prediction Algorithms: A Survey and Future Directions. Forecasting, 6(3), 637–671. https://doi.org/10.3390/forecast6030034.
[11] Nakano, M., Takahashi, A., & Takahashi, S. (2018). Bitcoin technical trading with artificial neural network. Physica A, 587, 609–618. https://doi.org/10.1016/j.physa.2018.07.017.
[12] Phillips, R.C., & Gorse, D. (2017). Predicting cryptocurrency price bubbles using social media data and epidemic modelling. IEEE SSCI, 1–7. https://doi.org/10.1109/SSCI.2017.8280809.
[13] Dubey, R., & Enke, D. (2025). Bitcoin price direction prediction using on-chain data and feature selection. Machine Learning with Applications, 20, 100674. https://doi.org/10.1016/j.mlwa.2025.100674.
[14] Khedr, A.M., Arif, I., Raj P.V.P., El-Bannany, M., Alhashmi, S.M., & Sreedharan, M. (2021). Cryptocurrency price prediction using traditional statistical and machine-learning techniques: A survey. Intelligent Systems in Accounting, Finance and Management, 28(1), 3–34. https://doi.org/10.1002/isaf.1488.
[15] Boozary, P., Sheykhan, S., & GhorbanTanhaei, H. (2025). Forecasting the Bitcoin price using various machine learning techniques: A systematic review in data-driven marketing. Systems and Soft Computing, 7. https://doi.org/10.1016/ j.sasc .2025.200209.
[16] Caporale, G.M., Gil-Alana, L., & Plastun, A. (2020). Long-term price overreactions: Are markets inefficient? Journal of Economics and Finance, 43, 657–680. https://doi.org/ 10.1007/s12197-018-9464-8.
[17] Chevapatrakul, T., & Mascia, D.V. (2019). Detecting overreaction in the Bitcoin market: A quantile autoregression approach. Finance Research Letters, 30, 371–377. https://doi.org/ 10.1016/j.frl.2018.11.004.
[18] Corbet, S., & Katsiampa, P. (2020). Asymmetric mean reversion of Bitcoin price returns. International Review of Financial Analysis, 71, 101267. https://doi.org/ 10.1016/j.irfa.2018.10.004.
[19] Gil-Alana, L.A., Aikins, E.J., & Romero, M.F. (2020). Cryptocurrencies and stock market indices: are they related? Research in International Business and Finance, 51, 1010–1063. https://doi.org/ 10.1016/j.ribaf.2019.101063.
[20] Martins, C.H.P. (2020). Do cryptocurrency overreact? Evidence of extreme one-day price movements. Master’s Dissertation, Faculty of Economics, Porto University. https://sigarra.up.pt/fep/en/pub_geral.show_file?pi_doc_id=353747.
[21] Kellner, T., & Maltritz, D. (2021). A broad analysis of short-term overreactions in the market for cryptocurrencies. Journal of Economic Studies, 49, 1585–1608. https://doi.org/ 10.1108/JES-09-2021-0488.
[22] Schaub, M. (2022). Outlier events in major cryptocurrency markets: Is there evidence of overreaction? The Journal of Wealth Management, 24, 142–148. https://doi.org/ 10.3905/jwm.2021.1.155.
[23] Dias, R., Chambino, M., & Palma, C.M. (2023). Cryptocurrency market: overreaction to news and herd instincts. In Bevanda, V. (ed.), Knowledge-Based Sustainable Development, Prague, 67–75. doi:10.31410/ERAZ.2023.67.
[24] Giudici, P., & Abu-Hashish, I. (2019). What determines Bitcoin exchange prices? A network VAR approach. Finance Research Letters, 28, 309–318. https://doi.org/ 10.1016/j.frl.2018.05.013.
[25] Afsar, A., & Helyel, F. (2017). A hybrid approach to portfolio optimization using technical analysis and data mining. Modern Research in Decision Making, 2(2), 1–22. https://journal.saim.ir/article_26785_8eef6ff991f69d436ef38262b b3eef52 .pdf. [In Persian]
[26] Khani, A.M., Jafarnjad, A., & Rezasoltani, A. (2025). A hybrid machine learning model based on weighted voting for intelligent classification of bank customer value. Modern Research in Decision Making, 10(4), 26–58. https://journal. saim.ir/article_733991_0b6975772021c508f0d6ad2898c1c9fb.pdf . [In Persian]
[27] Zolfaghar, P., Khadivar, A., & Abbasi, F. (2022). Investigating the impact of perceived risk by social media users on the price of Bitcoin using sentiment analysis and the NARX neural network technique. Management Research in Iran, 26(2), 18–41. https:// mri. modares.ac.ir/  article_593_acc3e0404646c 57502b480d c052c4fe1 .pdf.  [In Persian]
[28] Mirashk, H., Albadvi, A., Kargari, M., Rastegar Sorkhe, M., & Talebi, M. (2024). A DSR approach to predict liquidity risk using CNN and sentiment analysis. Management Research in Iran, 27(4), 138–168. https://mri.modares.ac.ir/ article_639_0f96613235062963ccde717b18f97592.pdf
پژوهش های نوین در تصمیم گیری
دوره 11، شماره 1
بهار 1405
صفحه 147-167

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما