چکیده: ارزهای رمزنگاری شده نوعی دارایی دیجیتال طراحی شده مبتنی بر شبکه است که بر پایه علم رمزنگاری ایجاد شده است. همچنین این ساختار غیر متمرکز این امکان را می دهد که معاملات این ارزهای رمزپایه، خارج از کنترل دولت ها و بانک مرکزی انجام شود که به دلیل همین موضوع، بسیاری از اقتصاددانان ارزهای دیجیتال را با طلا مقایسه می کنند. در اقتصاد امروز، ارزهای رمزنگاری شده را می توان به عنوان ابزاری جدید برای سرمایه گذاری مطرح کرد. بیت کوین محبوب ترین ارز دیجیتال در بین عامه مردم است که فضای رو به رشدی از نوآوری هاست و فرصت های کسب و کار زیادی دارد. تغییر مواضع نهاد های ناظر، افزایش پذیرش روزافزون در آن و محصولات مرتبط با بیت کوین باعث شده است که اعتماد به بیت کوین افزایش قابل ملاحظه ای پیدا کند. ارزهای رمزنگاری شده موضوعی نو و جدید می باشد که در ایران تاکنون تحقیق منظم و جدی درباره آن ها صورت نگرفته است و نیز با توجه به مزایای فراوان آن ها، نتایج این پژوهش می تواند برای اقتصاد کشور مفید و سازنده باشد. ارزهای رمز نگاری شده، بسیار ناپایدار هستند و به دلیل نوپایی آن ها، نوسانات زیادی دارند و ممکن است در یک روز قیمت آن ها تا صد ها درصد رشد کرده و یا ده ها درصد ریزش کند. بدین منظور، هدف اصلی پژوهش حاضر مدلسازی نوسانات بیت کوین می باشد که پژوهشی کاربردی محسوب می شود. برای این کار، قیمت های بیت کوین در بازه زمانی سال 2016 تا 2020 به عنوان داده های این تحقیق از سایت CoinMarketcap.com استخراج شده است که این سایت، بیت کوین و همچنین بیشتر ارزهای رمزنگاری شده را ردیابی می کند و ارزش فعلی دلار و بیت کوین را برای هر ارز رمزنگاری شده به کاربران نشان می دهد و یک منبع خوب برای پیگیری تغییرات تمامی ارزهای رمزنگاری شده می باشد. در این پژوهش، تبعیت بازده دارایی دیجیتال از آرچ، گارچ و چند عضو خانواده گارچ روی داده ها بررسی می شود. هم چنین توانایی پیش بینی مدل های گارچ و خانواده آن نیز برای داده ها سنجیده و مقایسه شده است. درنتایج به دست آمده، ضرایب حاصل از اعمال مدل های آرچ و گارچ کاملا معنادار بوده که موید آن است که داده ها از این مدل ها پیروی می کنند. برای مدل های خانواده گارچ نیز معناداری و علامت ضرایب نشانگر اثر اهرمی و تاثیر میانیگین شرطی می باشد. با مقایسه شاخص های ارزیابی پیش بینی مدل های گارچ و خانواده آن ها نیز می توان به طور تقریبی توانایی تمامی مدل ها را در پیش بینی واریانس یکسان دانست.