ارزش یک بیت کوین به آنچه سرمایه گذاران حاضر به پرداخت آن در همان لحظه معامله هستند، کاملا وابسته است. از این رو علاقه مندان به سرمایه گذاری بدلیل دریافت سود بیشتر به سمت بیت کوین در حرکت هستند.  بازارهای مالی توسط مشارکت کنندگان آن، بر اساس روابط عرضه و تقاضا می توانند ارزش واقعی یک دارایی را تنظیم نمایند. برای قیمت بیت کوین سه عامل مطرح است. عرضه و تقاضا از عوامل اصلی داخلی است که تاثیر مستقیمی بر قیمت بازار آن دارد و از سوی دیگر جذابیت و محبوبیت، قانونی سازی و عوامل کلان مانند نرخ بهره، بازار سهام، قیمت طلا می تواند به عنوان عوامل خارجی تاثیرگذار بر قیمت بیت کوین باشند. استراتژی مناسب برای پیش بینی قیمت، می تواند تعیین کننده سود و زیان حاصل از معامله در آینده باشد. این استراتژی می تواند خطر معامله را کاهش داده و همچنین فرصت های فراوانی را برای مشارکت کنندگان آن ایجاد نماید. پیش بینی آینده، عمدتا به دلیل تغییرات بی سابقه در روندها و شرایط اقتصادی از یک سو و اطلاعات ناقص از طرف دیگر یک چالش بزرگ است. در سال های اخیر برای پیش بینی  سری های زمانی از دو گروه عمده از مدل ها استفاده شده است.گروه اول مبتنی بر مدل های ریاضی سنتی همانند روش میانگین متحرک خود همبسته یکپارچه، مدل فیلتر کالمن هستند. با اینکه این روش ها در زمینه پیش بینی سری های زمانی عملکرد نسبی خوبی داشته اند اما برای تصمیم گیری نهایی، به تنهایی کافی نیستند. از سوی دیگر، روش های یادگیری ماشین، رویکردهای جدیدی را برای حل مشکلات پیش بینی معرفی کرده اند که در آن روابط بین متغیرها در یک سلسله مراتب عمیق و لایه بندی شده مدل می شوند. این روش ها مانند شبکه های عصبی مصنوعی، ماشین های بردار پشتیبان، جنگل های تصادفی و مدل های یادگیری عمیق مانند شبکه عصبی بازگشتی و حافظه طولانی کوتاه مدت اخیر مورد توجه پژوهشگران حوزه های پیش بینی قرار گرفته اند. با وجود اینکه هر یک از این روش ها به موفقیت هایی در پیش بینی سری های زمانی دست یافته اند، اما هیچکدام از آنها یک مدل عمومی و مناسب برای تمامی شرایط نیستند. اخیرا پژوهشگران کشورمان مدلی برای پیش بینی قیمت بیت کوین پیشنهاد کرده اند. به منظور پیش بینی قیمت بیت کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده کرده اند. نتایج نشان می دهد که مدل ARIMA-GRU برای معیار های RMSEو MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند.