چکیده: ارزهای رمزنگاری شده که به‌عنوان ارزهای دیجیتال یا مجازی ایمن شده توسط فناوری رمزگذاری در نظر گرفته می‌شوند، توجه گسترده‌ای را در اقتصاد و سرمایه‌گذاری به خود جلب کرده‌اند. ماهیت غیرمتمرکز آنها، مصون از کنترل دولت، از زمان ظهور بیت‌کوین در سال ۲۰۰۹، هم سرمایه‌گذاران فردی و هم سرمایه‌گذاران نهادی را به خود جذب کرده است. غیر قابل پیش‌بینی بودن قیمت ارزهای رمزنگاری چالش‌هایی را برای سرمایه‌گذاران ایجاد می‌کند نهادها، سیاست‌گذاران و نهادهای نظارتی. تجزیه‌وتحلیل سری‌های زمانی و الگوریتم‌های اکتشافی، از جمله شبکه‌های عصبی مصنوعی، معمولاً برای پیش‌بینی قیمت استفاده می‌شوند. در پژوهش حاضر ابتدا توسط مدل‌های آماری ARIMA و SARIMAX قیمت بسته‌شدن سه رمزارز بیت‌کوین، اتریوم و لایت‌کوین مدل‌سازی و پیش‌بینی شد. خطای MAPE این دو روش برای هر رمزارز به دست آمد که در کل مدل ARIMA عملکرد بهتری داشت. در ادامه محدودیت‌های مدل‌های آماری بررسی شد و این آغازی بود برای پرداختن به روش‌های پیشرفته‌تر. جهت پیش‌بینی قیمت رمزارز توسط معماری‌های مختلف شبکه عصبی مصنوعی ابتدا یک پنجره داده ساخته شد که به نحوی مانند سری‌های زمانی داده‌ها را دسته‌بندی کرده تا وارد مدل شوند این کار در سرعت یادگیری شبکه هم مؤثر بود بالاخص برای داده‌ها در تایم فریم یک‌ساعته. سپس عملکرد مدل‌های خطی، عمیق و LSTM را برای یک گام و چند گام زمانی روبه‌جلو و ARLSTM را برای چند گام روبه‌جلو روی سه رمزارز شامل بیت‌کوین و اتریوم و لایت‌کوین در بازار کریپتو بررسی و خروجی‌های پیش‌بینی شده را در قالب پنجره داده نمایش داده شد. شواهد و نتایج نشان داد که شبکه عصبی LSTM برای یک گام زمانی و ARLSTM برای چند گام زمانی عملکرد بهتری نسبت به سایر مدل‌ها داشتند.