Щекин А.А.
МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ КУРСА КРИПТОВАЛЮТНЫХ АКТИВОВ НА ОСНОВЕ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ И ФАКТОРНЫХ ДАННЫХ *
Аннотация:
работа посвящена разработке моделей прогнозирования котировок криптовалют с использованием нейронных сетей, учитывающих технические, фундаментальные и макроэкономические показатели. На основе анализа данных и сравнения архитектур нейронных сетей (LSTM, GRU, sLSTM) создан программный модуль, обеспечивающий высокую точность прогнозов. Научная новизна заключается в адаптации методов нормализации и снижения размерности данных для криптовалютного рынка.
Ключевые слова:
криптовалюты, прогнозирование котировок, нейронные сети, криптовалютный рынок, волатильность, анализ данных
ОБЩАЯ ХАРАКТЕРИСТИКА ИССЛЕДОВАНИЯ.Актуальность и научная значимость исследования.Рост популярности криптовалют и их использование в качестве финансовых активов ставят перед исследователями задачу повышения точности прогнозирования котировок криптовалют. Высокая волатильность и отличия в фундаментальных показателях криптовалют делают задачу прогнозирования сложной, требующей применения технологий анализа данных, включая нейронные сети. Использование существующих методов анализа финансовых рынков на криптовалютных рынках ограничено, что обосновывает актуальность применения специализированных подходов.Объект исследования: криптовалютный рынок.Предмет исследования: процесс прогнозирования котировок криптовалют с использованием нейронных сетей.Цель исследования: выбор методов и разработка на их основе моделей прогнозирования котировок криптовалютных рынков с использованием нейронных сетей.Гипотеза исследования состоит в том, что использование нейронных сетей позволяет повысить точность прогнозирования котировок криптовалют, если:учтены особенности технических, фундаментальных и макроэкономических показателей,применены методы нормализации и снижения размерности данных,использованы архитектуры нейронных сетей, адаптированные для анализа временных рядов,проведена апробация предложенных подходов на различных типах данных.Задачи исследования:Провести анализ существующих подходов к прогнозированию криптовалютных рынков.Разработать подходы к анализу данных криптовалютных рынков с учетом технических, фундаментальных и макроэкономических показателей.Провести сравнительный анализ эффективности различных типов нейронных сетей для прогнозирования котировок криптовалют.Разработать и апробировать программный модуль для анализа и прогнозирования котировок криптовалют.Теоретико-методологическая основа исследования включает анализ существующих научных работ по использованию нейронных сетей для обработки временных рядов, методы нормализации данных и методы снижения размерности на основе значений SHAP.Методы исследования:изучение литературных источников,математическое моделирование,программная реализация нейронных сетей и проведение вычислительных экспериментов.Опытно-экспериментальная база исследования состоит из данных котировок криптовалют, предоставленных сервисом CoinMarketCap.Научная новизна исследования заключается в:адаптации методов анализа данных к специфике криптовалютных рынков,применении методов нормализации и снижения размерности данных на основе SHAP,сравнительном анализе различных архитектур нейронных сетей для задач прогнозирования криптовалют.Теоретическая значимость исследования заключается в:систематизации подходов к анализу временных рядов криптовалют,описании влияния различных типов данных на точность прогнозирования,разработке рекомендаций по выбору нейронных сетей для анализа криптовалютных рынков.Практическая значимость исследования заключается в разработке программного модуля, который может быть использован для прогнозирования криптовалютных котировок и принятия инвестиционных решений.Достоверность и обоснованность результатов исследования обеспечивались использованием верифицированных данных, проверкой результатов на нескольких типах данных и сравнением предложенных методов с существующими.Личное участие автора включало разработку методик анализа данных, программного модуля и проведение вычислительных экспериментов.На защиту выносятся:Методика предобработки данных криптовалют, включающая нормализацию и снижение размерности.Результаты сравнительного анализа нейронных сетей для прогнозирования котировок криптовалют.Программный модуль для анализа данных криптовалютных рынков.Структура магистерской диссертации состоит из введения, четырёх глав, заключения, списка литературы из 30 источников и приложений. Основной текст изложен на 75 страницах.ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ.Во введении обоснованы актуальность исследования, определены объект, предмет, цель, гипотеза и задачи работы. Также изложены научная новизна и практическая значимость исследования.В первой главе "Текущее состояние исследований в области прогнозирования криптовалют" проведён обзор литературы. Рассмотрены работы, посвящённые использованию нейронных сетей для прогнозирования временных рядов, и выявлены ограничения существующих подходов.Во второй главе "Разработка подходов анализа криптовалютных рынков" описаны используемые технические, фундаментальные и макроэкономические показатели, а также методы нормализации и снижения размерности данных.Рис. 1. Технические индикаторы для прогнозирования криптовалют.В третьей главе "Анализ данных котировок криптовалют" приведены результаты экспериментов по влиянию снижения размерности данных на точность прогнозирования. Проведён сравнительный анализ нейронных сетей, таких как LSTM, GRU и sLSTM.Рис. 2. Результаты определения значимости технических индикаторов криптовалют с использованием метода Shapley Additive explanation.В четвёртой главе "Программная реализация анализа данных" представлена разработка программного модуля, включая алгоритмы предобработки данных, моделирования и прогнозирования.В заключении представлены основные выводы исследования:Разработана методика предобработки данных, обеспечивающая снижение размерности данных на 56%.Проведён сравнительный анализ нейронных сетей, установлено, что sLSTM демонстрирует минимальную ошибку RMSE.Создан программный модуль для анализа и прогнозирования котировок криптовалют.
Номер журнала Вестник науки №4 (85) том 4
Ссылка для цитирования:
Щекин А.А. МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ КУРСА КРИПТОВАЛЮТНЫХ АКТИВОВ НА ОСНОВЕ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ И ФАКТОРНЫХ ДАННЫХ // Вестник науки №4 (85) том 4. С. 750 - 756. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/22593 (дата обращения: 13.11.2025 г.)
Вестник науки © 2025. 16+