A Cryptocurrency Market Dynamics: A Hybrid Deep Learning Framework for Bitcoin Price Prediction Using Sentiment Analysis, Technical Indicators, and On-Chain Data

الملخص

برز سوق العملات المشفرة، ولا سيما البيتكوين، كواحد من أكثر الأصول المالية تقلباً وميلاً للمضاربة في التاريخ الحديث، مما جذب اهتماماً كبيراً من المستثمرين والجهات التنظيمية والباحثين. ويفرض التقلب الشديد في الأسعار -الناجم عن تفاعل معقد بين معنويات السوق، والعوامل الاقتصادية الكلية، والتطورات التكنولوجية، والإعلانات التنظيمية- فرصاً وتحديات في آن واحد فيما يتعلق بالتنبؤ وإدارة المخاطر. تقدم هذه الورقة البحثية نظام "CryptoPredict"، وهو إطار عمل مبتكر وهجين يعتمد على التعلم العميق، ويجمع بين ثلاثة مصادر بيانات ومناهج تحليلية متكاملة للتنبؤ الشامل بسعر البيتكوين: (1) وحدة لتحليل المعنويات تستخلص توجهات السوق من منصات "تويتر" و"ريديت" والمقالات الإخبارية باستخدام نماذج لغوية متطورة قائمة على بنية "المحولات" (Transformer) ومُعدلة خصيصاً لهذا الغرض، (2) وحدة للتحليل الفني تعالج أكثر من 50 مؤشراً فنياً مستمدة من بيانات السعر وحجم التداول باستخدام الشبكات العصبية المتكررة القائمة على آلية الانتباه (Attention-based RNNs)، و(3) وحدة لبيانات الشبكة (on-chain data) تحلل سجلات المعاملات على "البلوكشين" -بما في ذلك نشاط الشبكة وحجم المعاملات وسلوك المُعدّنين- باستخدام الشبكات العصبية القائمة على الرسوم البيانية (Graph Neural Networks). ويستخدم الإطار آلية متطورة لدمج البيانات متعددة الأنماط (multi-modal fusion)، حيث يتم تحديد أوزان مساهمة كل مصدر بيانات ديناميكياً بناءً على ظروف السوق والأداء التنبؤي. وقد قمنا بتقييم نظام "CryptoPredict" باستخدام مجموعة بيانات شاملة تغطي أكثر من 5 سنوات من بيانات أسعار البيتكوين (2019-2024)، و500 مليون منشور على وسائل التواصل الاجتماعي، وسجلات كاملة لمعاملات الشبكة. وتُظهر النتائج التجريبية أن النظام يحقق متوسط ​​خطأ مطلق نسبي (MAPE) قدره 1.87% وجذر متوسط ​​مربع الخطأ (RMSE) قدره 342.1 عند التنبؤ بالأسعار لفترة 24 ساعة، متفوقاً بشكل ملحوظ على النماذج المرجعية المتطورة الحالية، بما في ذلك نماذج LSTM (بنسبة MAPE تبلغ 2.89%)، وTransformer (بنسبة 2.71%)، وطرق النماذج المجمعة (Ensemble methods) (بنسبة 2.34%). وقد أثبت أسلوب الدمج متعدد الأنماط فعالية خاصة، حيث أدى إلى تحسين دقة التنبؤ بنسبة 23.4% مقارنة بأفضل نموذج يعتمد على نمط بيانات واحد. كما قمنا بتقييم أداء الإطار في التنبؤات طويلة الأجل (لفترات 7 أيام و30 يوماً)، محققين نسب MAPE بلغت 4.32% و8.76% على التوالي. نُجري دراسة نقدية للقيود التي تعتري منهجنا، بما في ذلك صعوبة التعامل مع أحداث البجعة السوداء، والتكلفة الحسابية للمعالجة متعددة الوسائط في الوقت الفعلي، والآثار الأخلاقية للتنبؤ بالعملات المشفرة، ونقترح نسخةً مُبسطةً من التطبيق تُقلل المتطلبات الحسابية بنسبة 65% مع الحفاظ على دقة التنبؤ بنسبة 91%. تُشير نتائجنا إلى أن التنبؤ الفعال بالعملات المشفرة لا يتطلب مجرد خوارزميات مُعقدة، بل يتطلب تكاملاً مُمنهجاً لمصادر البيانات المُتنوعة، والخبرة في المجال، وتقييماً دقيقاً للنموذج - وهو درسٌ له آثارٌ بالغة الأهمية على التداول الخوارزمي، وإدارة المخاطر، والرقابة التنظيمية.