التنبؤ بأسعار العملات المشفرة باستعمال نماذج Prophet، الشبكات العصبية الاصطناعية والغابات العشوائية

Abstract

هدفت هذه الدراسة إلى تقييم أداء نماذج تعلم الآلة الحديثة في التنبؤ بأسعار عملة البيتكوين، وذلك من خلال مقارنة ثلاثة نماذج رئيسية: نموذج Prophet، الشبكات العصبية بالتغذية الأمامية (FNN)، ونموذج الغابات العشوائية بتأخيرات (Lagged Random Forest). اعتمدت الدراسة على بيانات يومية لأسعار البيتكوين خلال الفترة الممتدة من 01 جانفي 2020 إلى 19 أفريل 2025، وتم تطبيق النماذج باستخدام لغة برمجة R. أشارت النتائج إلى تفوق نموذج الشبكات العصبية بالتغذية الأمامية من خلال تحقيق أعلى دقة تنبؤية، متبوعًا بنموذج الغابات العشوائية، بينما جاء نموذج Prophet في المرتبة الأخيرة من حيث الأداء. وقد تم تقييم فعالية النماذج باستخدام مؤشرات MSE، MAPE، MAE، RMSE وR²، مما أبرز قدرة نماذج تعلم الآلة على التعامل مع البيانات غير الخطية والتقلبات الحادة في سوق العملات الرقمية. تُظهر الدراسة أن النماذج القائمة على الذكاء الاصطناعي، وعلى وجه الخصوص الشبكات العصبية، تشكل خيارًا واعدًا لتحسين دقة التنبؤ بأسعار الأصول الرقمية، وهو ما يمكن أن يمثل دعمًا عمليًا هامًا للمستثمرين وصنّاع القرار في هذا السوق المتقلب. This study explores the predictive efficacy of advanced machine learning methods in forecasting Bitcoin price dynamics, with a particular emphasis on three leading models: Prophet, feed-forward neural networks (FNN), and Lagged Random Forest. Drawing on daily Bitcoin price data spanning from January 1, 2020, to April 19, 2025, the analysis is conducted using the R programming language to ensure methodological consistency and reproducibility. Empirical results indicate that the FNN model markedly outperforms both the Prophet and Lagged Random Forest models in terms of predictive accuracy. The evaluation, based on multiple performance metrics—including Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²)—highlights the robustness of machine learning models in capturing the inherent non-linearity and volatility of the cryptocurrency market. The findings underscore the potential of AI-driven approaches, particularly neural networks, to significantly enhance the accuracy of digital asset price forecasting, thereby providing valuable insights and decision-making support for investors and market participants operating in highly uncertain environments.