نفیسه دهقانی - دانشجو کارشناسی ارشد ریاضی مالی شاهد،دانشجو کارشناسی ارشد ریاضی کاربردی گرایش مالی، دانشگاه شاهد تهران.
سیده نفیسه آل محمد - استادیار گروه ریاضی و علوم کامپیوتر دانشگاه شاهد،تهران

پیش بینی ریسک و مدیریت آن همواره یکی از دغدغه های اصلی سیاستگذاران و سرمایه گذاران مالی می باشد. از آنجایی که اکثر داده های سری زمانی مالی دارای توزیع نامتقارن با دنباله های کشیده، وجود ناهمسانی واریانس و داده های پرت هستند. یکی از این روشها که در چند دهه ی اخیر مورد استقبال بسیار قرار گرفته است مدل های شبکه عصبی مصنوعی و تلفیق آنها با مدل های رگرسیون چندگی می باشد. هدف این مقاله به کارگیری مدل تلفیقی شبکه های عصبی بازگشتی اتورگرسیو چندکی (QARNN) جهت پیش بینی ارزش در معرض ریسک داده های سری زمانی بیت کوین در بازه زمانی ۲۰۱۴ تا ۲۰۱۹ و مقایسه آن با مدل های QRNN ، CAviaR ،Riskmetric ، APARCHمی باشد. نتایج یافته ها حاکی از برتری مدل QARNN در داده های قیمت بیت کوین در بسیاری از مواقع و با تغییر مقدار چندک ها در بسیاری از موارد می باشد.

پیش بینی، ارزش در معرض ریسک، رگرسیون چندگی، شبکه های عصبی مصنوعی و سری های زمانی مالی