تقييم أثر تقليل الأبعاد القائم على تحليل المكونات الرئيسية (PCA) في التنبؤ بمعاملات البيتكوين: دراسة مقارنة بين نماذج XGBoost و LSTM و GNN
DOI:
https://doi.org/10.65422/loujas.v2i1.188الكلمات المفتاحية:
البيتكوين، معاملات سلسلة الكتل (بلوكشين)، خوارزمية XGBoost، شبكات الذاكرة الطويلة قصيرة المدى (LSTM)، الشبكات العصبية الرسومية.( GNN).الملخص
يُعد التنبؤ الدقيق بديناميكيات البيتكوين أمراً جوهرياً لإدارة الأصول الرقمية. وبينما تركز الدراسات الحالية بشكل أساسي على التنبؤ بأسعار السوق باستخدام نماذج التعلم العميق والتعلم التجميعي، تهدف هذه الدراسة إلى توسيع آفاق البحث من خلال تحليل بيانات معاملات سلسلة الكتل (On-chain) عالية الأبعاد. نقدم في هذا البحث تقييماً مقارناً لنماذج XGBoost وLSTM والشبكات العصبية الرسومية (GNN)، مع التركيز بشكل خاص على استقصاء أثر تحليل المكونات الرئيسية (PCA) على استقرار هذه النماذج. وتكشف نتائجنا عما أسميناه "مفارقة الـ PCA"؛ فبينما أدى تقليل الأبعاد إلى تحسين أداء نماذج GNN وLSTM عبر تصفية الضوضاء، فإنه أدى في المقابل إلى تقليل طفيف في دقة نموذج XGBoost. أظهرت النتائج أن نموذج XGBoost حقق أعلى دقة عددية (RMSE: 0.018)، بينما وفرت نماذج GNN وLSTM استقراراً أفضل في التنبؤ بالاتجاه العام. توفر هذه الدراسة رؤى نقدية حول هندسة الميزات للأنظمة المالية القائمة على تقنية "البلوكشين".
