ethereum bitcoinمحددات اسعار العملات المشفرة :منظور اقتصادي قياسي لاتجاهات اسعار

Abstract

هدف هذه الدراسة إلى استكشاف العوامل الاقتصادية الكلية المؤثرة في تقلبات أسعار العملات المشفرة، من خلال تحليل تطبيقي لعُملتي Bitcoin وEthereum، باستخدام مقاربات تعلم الآلة باستخدام طريقة خوارزمية الغابة العشوائية (Random Forest) كأحد نماذج تعلم الآلة. تم اعتماد بيانات يومية تغطي فترة زمنية تمتد بين (2015–2025)، مع إدراج مجموعة من المتغيرات الاقتصادية والمالية كمؤشرات مستقلة، تشمل: مؤشري S&P500 وNASDAQ، سندات الخزانة ذات الاستحقاق الثابت لمدة 10 سنوات مطروحًا منها سندات الخزانة ذات الاستحقاق الثابت لمدة عامين، معدل الفائدة الفعلي على الأموال الفيدرالية، متوسط سندات الخزانة طويلة الأجل، بمؤشر التضخم، سعر نفط خام برنت، سعر صرف الدولار إلى اليورو، سعر الفرنك السويسري مقابل الدولار، بالإضافة إلى مؤشر التقلب في الأسواق المالية. تم بناء نموذجين تنبؤيين منفصلين لكل من العملتين، حيث أظهرت النتائج كفاءة إحصائية عالية للنموذجين، بلغت R2=0.999 للبيتكوين وR2=0.995 للإيثريوم، ما يدل على دقة تنبؤية كبيرة. وقد بيّنت نتائج الدراسة أن العملات المشفرة لم تعد معزولة عن الاقتصاد التقليدي، بل أصبحت تتأثر بشدة بمؤشرات الأسواق المالية الأمريكية، لا سيما مؤشري S&P500 وNASDAQ، مما يعكس اندماجًا تدريجيًا للعملات الرقمية في النظام المالي العالمي. كما أظهرت الدراسة تفاوتًا في سلوك كل من Bitcoin وEthereum؛ حيث بدا البيتكوين أكثر استقرارًا نسبيًا وأقل حساسية للتغيرات النقدية، ما يمنحه دورًا كـ "تحوط مضاربي"، بينما أظهر الإيثريوم استجابة أكبر للمتغيرات المرتبطة بالسيولة وأسعار الفائدة، نظرًا لطبيعته التقنية المرتبطة بالتمويل اللامركزي. خلصت الدراسة إلى أن النماذج القائمة على تعلم الآلة، عند دمجها مع المتغيرات الاقتصادية التقليدية، تُعد أدوات فعالة لتفسير وتوقع ديناميكيات أسواق العملات المشفرة، كما تفتح المجال أمام تطوير نماذج اقتصادية جديدة تتماشى مع الطبيعة الهجينة لهذه الأصول الرقمية. This study aims to explore the macroeconomic factors influencing the volatility of cryptocurrency prices through an applied analysis of Bitcoin and Ethereum, using machine learning approaches—specifically the Random Forest algorithm. Daily data spanning the period from 2015 to 2025 were employed, incorporating a range of economic and financial variables as independent indicators. These include the S&P 500 and NASDAQ indices, the 10-Year Treasury Constant Maturity Minus 2-Year Treasury Constant Maturity (T10Y2Y) spread, the Federal Funds Effective Rate, Treasury Long-Term Average (Over 10 Years, Inflation-Indexed), Brent Crude Oil Prices (Europe), the U.S. Dollar to Euro spot exchange rate, the Swiss Franc to U.S. Dollar spot exchange rate, and the Volatility Index (VIX). Two separate predictive models were constructed for each cryptocurrency. The results demonstrated high statistical efficiency, with an R² of 0.999 for Bitcoin and 0.995 for Ethereum, indicating strong predictive accuracy. The findings reveal that cryptocurrencies are no longer isolated from the traditional economy; rather, they are significantly influenced by key U.S. financial market indicators, particularly the S&P 500 and NASDAQ. This reflects a gradual integration of digital assets into the global financial system. Additionally, the study highlights differences in the behavior of Bitcoin and Ethereum: Bitcoin exhibited relatively greater stability and lower sensitivity to monetary changes, positioning it as a form of "speculative hedge," while Ethereum showed a higher responsiveness to liquidity-related and interest rate variables, due to its technical characteristics and ties to decentralized finance. The study concludes that machine learning-based models, when integrated with conventional macroeconomic indicators, constitute effective tools for explaining and forecasting the dynamics of cryptocurrency markets, and pave the way for developing new economic models tailored to the hybrid nature of these digital assets.