АНАЛІЗ МОДЕЛЕЙ АНАЛІТИЧНИХ ВЕБ-СИСТЕМ ПРОГНОЗУ МІЖБІРЖОВОЇ ВАРТОСТІ ЦИФРОВИХ КРИПТОАКТИВІВ

Автор(и)

DOI:

https://doi.org/10.35546/kntu2078-4481.2025.1.2.7

Ключові слова:

криптовалюта, прогнозування вартості, машинне навчання, рекурентні нейронні мережі, LSTM-модель, біткоїн, багатокритеріальний аналіз, ринкова капіталізація, волатильність крипторинку, аналітичні веб-системи

Анотація

У статті проведено комплексний аналіз існуючих моделей та методів прогнозування міжбіржової вартості цифрових криптоактивів. Досліджено еволюцію підходів до прогнозування – від простих алгоритмів, що базуються виключно на історичних даних, до складних багатофакторних моделей з використанням штучного інтелекту. Особлива увага приділяється аналізу ефективності рекурентних нейронних мереж та моделей з довгою короткостроковою пам’яттю (LSTM) у прогнозуванні криптовалютних ринків. Розглянуто конкретні приклади реалізації прогнозних систем, зокрема роботи Огньєна Гатало, Марко Сантоса, Дерка Зомера та Фредеріка Ріверолла, проаналізовано їхні переваги та обмеження. Докладно висвітлено експеримент з використання LSTM-моделі для прогнозування курсу біткоїна, який продемонстрував потенціал нейромереж у виявленні прихованих закономірностей ринку. Окремо досліджено інноваційний підхід, що базується на аналізі новинного фону та його кореляції з ціновою динамікою криптовалют. Представлено результати дослідження Даніеля Чена щодо багатокритеріального статистичного аналізу криптовалютного ринку, включаючи вивчення взаємозв’язків між ринковою капіталізацією та різними метриками популярності криптовалют у соціальних мережах. Виявлено основні проблеми та обмеження існуючих прогнозних моделей, зокрема їх низьку ефективність під час періодів високої волатильності та складність врахування зовнішніх факторів впливу. Обґрунтовано необхідність комплексного підходу до прогнозування, що поєднує аналіз технічних, фундаментальних та соціальних факторів. Визначено перспективні напрямки подальших досліджень у сфері прогнозування вартості криптоактивів, включаючи вдосконалення методів інтеграції різнорідних даних та розробку більш стійких до ринкових коливань алгоритмів, а також дослідження можливостей застосування трансформерів та інших сучасних архітектур нейронних мереж для підвищення точності довгострокових прогнозів.

Посилання

Ognjen Gatalo. Giving a twitter bot ability to predict bitcoin value based on historical data. Hackernoon. 21.12.2017. URL: https://hackernoon.com/giving-a-twitter-bot-ability-to-predict-bitcoin-value-based-on-historical-data- dbe237c40430

Marco Santos. Predict Bitcoin Prices with Deep Learning. Towards Data Science. 05.12.2019. URL: https://towardsdatascience.com/predicting-bitcoin-prices-with-deep-learning-438bc3cf9a6f/

Derk Zoomer. Using machine learning to predict future bitcoin prices. Medium. 17.05.2020. URL: https://medium.com/towards-data-science/using-machine-learning-to-predict-future-bitcoin-prices-6637e7bfa58f

Federico Riveroll. Predicting Bitcoin Price with News using Python. Medium. 06.11.2019. URL: https://medium.com/swlh/predicting-bitcoin-price-with-business-news-python-f3bcf60f5818

Daniel Chen. Building A Good Cryptocurrency Model Is Harder Than You Think. Hackernoon. 11.02.2018. URL: https://hackernoon.com/building-a-good-cryptocurrency-model-is-harder-than-you-think-b4f590edc8e9

Oleksandr Byzkrovnyi, Kirill Smelyakov, Anastasiya Chupryna, Approaches for Cryptocurrency Price Prediction, IEEE 9th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T), Kharkiv, Ukraine, pp. 75–80, (2022) https://doi.org/10.1109/PICST57299.2022.10238480

N. P. Patel et al., “Fusion in Cryptocurrency Price Prediction: A Decade Survey on Recent Advancements, Architecture, and Potential Future Directions”, in IEEE Access, vol. 10, pp. 34511–34538, (2022), https://doi.org/10.1109/ ACCESS.2022.3163023

Hanna Danylchuk, Oksana Kovtun, Liubov Kibalnyk, Oleksii Sysoiev “Monitoring and modelling of cryptocurrency trend resistance by recurrent and R/S-analysis” E3S Web of Conferences 166, 13030 (2020) https://doi.org/10.1051/ e3sconf/202016613030

Vasily Derbentsev, Natalia Datsenko, Olga Stepanenko, Vitaly Bezkorovainyi Forecasting cryptocurrency prices time series using machine learning approach, SHS Web of Conferences 65, 02001 (2019) https://doi.org/10.1051/ shsconf/20196502001

Shen Dehua, Andrew Urquhart, Pengfei Wang. Does twitter predict bitcoin?, Economics Letters, 174, 118–122. (2019). https://doi.org/10.1016/j.econlet.2018.11.007

##submission.downloads##

Опубліковано

2025-02-25