ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Гібридний підхід до моделювання динаміки ринку криптовалют на основі кластерного аналізу та нейромережевих технологій
Кочорба В. Ю.

Кочорба В. Ю. Гібридний підхід до моделювання динаміки ринку криптовалют на основі кластерного аналізу та нейромережевих технологій. Бізнес Інформ. 2026. №1. C. 439–449.
https://doi.org/10.32983/2222-4459-2026-1-439-449

Розділ: Фінанси, грошовий обіг і кредит

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 336.71:004.8

Анотація:
Метою статті є розробка та практична апробація комплексу моделей аналізу динаміки ринку криптовалют, що базується на поєднанні методів інтелектуального аналізу даних (Data Mining) та глибокого навчання (Deep Learning). Актуальність дослідження зумовлена високою волатильністю криптоактивів і неефективністю традиційних економетричних підходів в умовах нелінійності ринкових процесів. У роботі використано методи описової статистики та кореляційного аналізу для формування простору ознак; метод кластерного аналізу k-середніх (k-means) для класифікації криптовалют за рівнем інвестиційної привабливості; архітектури штучних нейронних мереж (ANN) та мереж довгої короткострокової пам’яті (LSTM) для прогнозування часових рядів вартості активів. Обробка даних, навчання моделей та візуалізація результатів здійснювалися мовою програмування Python з використанням бібліотек Pandas, Scikit-learn, Keras та TensorFlow. Проведено кластеризацію ринку криптовалют на основі показників капіталізації, волатильності й історичної прибутковості. Визначено оптимальну кількість кластерів (k=5) та підтверджено якість розбиття за допомогою коефіцієнта силуету (0,53). Виявлено, що найбільш привабливими для інвестування є активи 5-го кластера (висока прибутковість, помірний ризик, представник – Axie) та 3-го кластера (низький ризик, консервативна стратегія, представник – WBTC). Для монет-репрезентантів цих кластерів побудовано та навчено нейромережеві моделі. Встановлено, що модель LSTM демонструє вищу точність порівняно з класичною ANN, досягаючи коефіцієнта детермінації R2>0,93 та меншої середньоквадратичної похибки (MSE) на тестових даних. Доведено ефективність застосування «вентилів забування» у LSTM для фільтрації ринкового шуму та виявлення довгострокових трендів. Запропонований гібридний підхід дозволяє автоматизувати процес відбору активів для інвестування та підвищити точність прогнозування їхньої ринкової вартості. Отримані результати можуть бути використані як основа для побудови алгоритмічних торгових стратегій і систем підтримки прийняття рішень в управлінні інвестиційними портфелями.

Ключові слова: фінансовий ринок, ринок криптовалют, кластерний аналіз, k-means, нейронні мережі, LSTM, прогнозування, інвестиційна стратегія.

Рис.: 10. Бібл.: 16.

Кочорба Валерія Юріївна – кандидат економічних наук, доцент, заступник директора, Навчально-науковий інститут «Каразінський банківський інститут» Харківського національного університету імені В. Н. Каразіна (просп. Перемоги, 55, Харків, 61174, Україна)
Email: [email protected]

Список використаних у статті джерел

Дзюндзюк Б. В. Використання технології блокчейн як інформаційної інфраструктури в публічному секторі. Державне управління: удосконалення та розвиток. 2023. № 4. DOI: http://doi.org/10.32702/2307-2156.2023.4.9
Костенко О. В., Радутний О. Е. Блокчейн і Метавсесвіт: правові аспекти. Юридичний науковий електронний журнал. 2022. № 9. С. 499–506. DOI: https://doi.org/10.32782/2524-0374/2022-9/123
Садовий Р. Я. Сутність криптовалюти як економічної категорії в межах технології блокчейн. Scientific Bulletin of UNFU. 2024. Vol. 34. № 5. P. 52–61. DOI: https://doi.org/10.36930/40340507
Самсін Р. І. Віртуальні активи: ризик впливу на фінансову стабільність. Економічна теорія та право. 2023. № 4 (55). С. 56–72. DOI: https://doi.org/10.31359/2411-5584-2023-55-4-56
Belcastro L., Carbone D., Cosentino C. et al. Enhancing cryptocurrency price forecasting by integrating machine learning with social media and market data. Algorithms. 2023. Vol. 16. No. 12. Article 542. DOI: https://doi.org/10.3390/a16120542
Corbet S. Cryptocurrencies as a financial asset: A systematic analysis. International Review of Financial Analysis. 2019. Vol. 62. P. 182–199.
Hamayel M. J., Owda A. Y. A novel cryptocurrency price prediction model using GRU, LSTM and bi LSTM machine learning algorithms. AI. 2021. Vol. 2, No. 4. P. 477–496. DOI: https://doi.org/10.3390/ai2040030
Hansun S., Wicaksana A., Khaliq A. Q. Multivariate cryptocurrency prediction: Comparative analysis of three recurrent neural networks approaches. Journal of Big Data. 2022. Vol. 9. P. 1–15.
Hitam N. A., Ismail A. R., Samsudin R., Alkhammash E. H. The effect of kernel functions on cryptocurrency prediction using support vector machines // Proceedings of the International Conference of Reliable Information and Communication Technology. Cham, Switzerland : Springer, 2022. P. 319–332.
Kraken: офіційний сайт криптовалютної біржі // Payward, Inc. URL: https://www.kraken.com/uk
Lai S., Ye C., Zhou H. J. H. Chinese stock trend prediction based on multi feature learning and model fusion // Proceedings of the 2021 IEEE International Conference on Smart Data Services (SMDS), Chicago, IL, USA, 5–10 September 2021. P. 18–23.
Murray K., Rossi A., Carraro D., Visentin A. On forecasting cryptocurrency prices: a comparison of machine learning, deep learning, and ensembles. Forecasting. 2023. Vol. 5. No. 1. P. 196–209. DOI: https://doi.org/10.3390/forecast5010010
Ozturk Birim S. An analysis for cryptocurrency price prediction using LSTM, GRU, and the bi directional implications // Developments in Financial and Economic Fields at the National and Global Scale / M. Comert, A. E. ?im?ek (eds.). Ankara, Turkiye : Gazi Kitabevi, 2022. P. 377–392.
Regal A., Morzan J., Fabbri C. et al. Cryptocurrency price projection based on tweets using LSTM. Ingeniare. Revista Chilena de Ingenieria. 2019. Vol. 27, No. 4. P. 696–706. DOI: https://doi.org/10.4067/s0718-33052019000400696
Seabe P. L., Moutsinga C. R. B., Pindza E. Forecasting cryptocurrency prices using LSTM, GRU, and bi directional LSTM: a deep learning approach. Fractal and Fractional. 2023. Vol. 7. No. 2. Article 203. DOI: https://doi.org/10.3390/fractalfract7020203
Singh A., Kumar A., Akhtar Z. Bitcoin price prediction: A deep learning approach // Proceedings of the 2021 8th International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, 26–27 August 2021. P. 1053–1058.

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру