Dự báo giá tiền mã hóa là một bài toán quan trọng trong phân tích tài chính do đặc tính biến động mạnh và phi tuyến của thị trường. Bitcoin, với vai trò là đồng tiền mã hóa có vốn hóa lớn nhất, đặt ra thách thức đáng kể đối với các mô hình dự báo truyền thống. Nghiên cứu này đánh giá hiệu năng của mô hình học sâu N-BEATS - với điểm mới là tận dụng kiến trúc xếp chồng khối dư (residual stacking) độc lập để tự động phân rã chuỗi thời gian - trong dự báo giá Bitcoin theo nhiều khung thời gian và so sánh với các mô hình cơ sở như CNN, LSTM, GRU, Bi-LSTM và mô hình lai. Dữ liệu được thu thập từ Yahoo Finance và xử lý bằng kỹ thuật cửa sổ trượt 30 ngày, với các khoảng thời gian dự báo 1, 3, 5 và 7 ngày. Hiệu năng được đánh giá thông qua các chỉ số MSE, RMSE, MAE và R². Kết quả thực nghiệm định lượng cho thấy, tại khung 1 ngày, CNN cạnh tranh tốt với MAE đạt 1957.65 (so với 1981.51 của N-BEATS). Tuy nhiên, khi mở rộng khung thời gian, N-BEATS thể hiện sự vượt trội toàn diện và độ bền vững cao. Cụ thể, tại khung dự báo dài nhất (7 ngày), N-BEATS đạt sai số thấp nhất (RMSE = 7815.738, MAE = 6184.976) và độ phù hợp cao nhất (R² = 0.919365). Điều này cho thấy N-BEATS đạt độ chính xác cao hơn ở phần lớn các khung thời gian và duy trì mức suy giảm sai số thấp hơn khi mở rộng khoảng dự báo.