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

Економічні фактори адаптивності штучного інтелекту в умовах волатильності криптовалютного ринку
Шухманн В. А.

Шухманн В. А. Економічні фактори адаптивності штучного інтелекту в умовах волатильності криптовалютного ринку. Бізнес Інформ. 2026. №1. C. 490–498.
https://doi.org/10.32983/2222-4459-2026-1-490-498

Розділ: Фінанси, грошовий обіг і кредит

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 004.8:330.45:336.74

Анотація:
У статті досліджено економічні фактори адаптивності систем штучного інтелекту (ШІ) в умовах волатильності криптовалютного ринку й обґрунтовано доцільність їх розгляду як складової економічної результативності та технічної якості моделей. Показано, що нестабільність криптовалютного ринку, режимні злами волатильності та ліквідності, інформаційна розбіжність і мікроструктурні обмеження виконання угод формують середовище, у якому ефект від адаптації визначається балансом між очікуваним приростом результативності та сукупними витратами. Методологічна основа роботи поєднує концептуальний аналіз і синтез сучасних підходів фінансової економетрики, машинного навчання та навчання з підкріпленням. Здійснено порівняльний аналіз дослідницьких постановок щодо нестаціонарності та дрейфу даних, а також узгодження системи критеріїв оцінювання, орієнтованих на економічний результат. Особливу увагу приділено ролі транзакційних витрат (комісій, спредів, прослизання), інформаційних витрат (збирання, очищення й оновлення даних), вартості обчислювальних ресурсів, ризикових лімітів і інституційних обмежень у визначенні допустимої інтенсивності оновлення моделей і правил ухвалення рішень. Запропоновано методологічну рамку класифікації детермінант адаптивності за групами режимно-ринкових умов, витратних параметрів і ресурсно-організаційних обмежень, а також двоконтурну логіку адаптації, що поєднує моніторинг змін ринкових режимів і дрейфу даних із економічно вмотивованим рішенням про оновлення моделі, набору ознак і правил. Наукова новизна полягає у формуванні критеріїв оцінювання адаптації, які пов’язують технічні рішення з чистим ефектом після витрат, ризик-метриками та стабільністю в різних ринкових режимах. Практичні висновки можуть бути використані для проєктування адаптивних ШІ-систем у криптоаналітиці, алгоритмічній торгівлі та ризик-менеджменті, а також для стандартизації порівняння альтернативних стратегій адаптації з урахуванням реальних витрат виконання угод і ризикових обмежень. Перспективи подальших досліджень пов’язані з емпіричною валідацією рамки на різних торговельних майданчиках і часових горизонтах та з формалізацією порогів, за яких адаптація забезпечує додану вартість після витрат.

Ключові слова: цифрова економіка, економічні фактори, штучний інтелект, криптовалюта, міжнародний ринок, економічна ефективність, цифрові інструменти.

Рис.: 1. Табл.: 2. Бібл.: 16.

Шухманн Вадим Александерович – здобувач, кафедра економічної кібернетики та інформатики, Західноукраїнський національний університет (вул. Львівська, 11, Тернопіль, 46009, Україна)
Email: [email protected]

Список використаних у статті джерел

Katsiampa P. Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters. 2017. Vol. 158. P. 3–6. DOI: 10.1016/j.econlet.2017.06.023
Dyhrberg A. H. Hedging capabilities of bitcoin. Is it the virtual gold? Finance Research Letters. 2016. Vol. 16. P. 139–144. DOI: 10.1016/j.frl.2015.10.025
Baur D. G., Dimpfl T., Kuck K. Bitcoin, gold and the US dollar – A replication and extension. Finance Research Letters. 2018. Vol. 25. P. 103–110. DOI: 10.1016/j.frl.2017.10.012
Urquhart A. The inefficiency of Bitcoin. Economics Letters. 2016. Vol. 148. P. 80–82. DOI: 10.1016/j.econlet.2016.09.019
Bouri E., Molnar P., Azzi G., Roubaud D., Hagfors L. I. On the hedge and safe haven properties of Bitcoin: Is it really more than a diversifier? Finance Research Letters. 2017. Vol. 20. P. 192–198. DOI: 10.1016/j.frl.2016.09.025
Ciaian P., Rajcaniova M., Kancs d’Artis. The economics of BitCoin price formation. Applied Economics. 2016. Vol. 48. No. 19. P. 1799–1815. DOI: 10.1080/00036846.2015.1109038
Alessandretti L., ElBahrawy A., Aiello L. M., Baronchelli A. Anticipating cryptocurrency prices using machine learning. Complexity. 2018. Article ID 8983590. DOI: 10.1155/2018/8983590
Jaquart P., Dann D., Weinhardt C. Short-term bitcoin market prediction via machine learning. Journal of Finance and Data Science. 2021. Vol. 7. P. 45–66. DOI: 10.1016/j.jfds.2021.03.001
Huang Z.-C., Sangiorgi I., Urquhart A. Forecasting Bitcoin volatility using machine learning techniques. Journal of International Financial Markets, Institutions & Money. 2024. Vol. 97. Article 102064. DOI: 10.1016/j.intfin.2024.102064
Ghadiri H., Hajizadeh E. Designing a cryptocurrency trading system with deep reinforcement learning utilizing LSTM neural networks and XGBoost feature selection. Applied Soft Computing. 2025. Vol. 175. Article 113029. DOI: 10.1016/j.asoc.2025.113029
Sattarov O., Muminov A., Lee C. W., Kang H. K., Oh R., Ahn J., Oh H. J., Jeon H. S. Recommending Cryptocurrency Trading Points with Deep Reinforcement Learning Approach. Applied Sciences. 2020. Vol. 10. No. 4. Article 1506. DOI: 10.3390/app10041506
Fischer T. G., Krauss C., Deinert A. Statistical Arbitrage in Cryptocurrency Markets. Journal of Risk and Financial Management. 2019. Vol. 12. No. 1. Article 31. DOI: 10.3390/jrfm12010031
Schnaubelt M., Rende J., Krauss C. Testing Stylized Facts of Bitcoin Limit Order Books. Journal of Risk and Financial Management. 2019. Vol. 12. No. 1. Article 25. DOI: 10.3390/jrfm12010025
Arulkumaran K., Deisenroth M. P., Brundage M., Bharath A. A. Deep Reinforcement Learning: A Brief Survey. IEEE Signal Processing Magazine. 2017. Vol. 34. P. 26–38. DOI: 10.1109/MSP.2017.2743240
Lu J., Liu A., Dong F., Gu F., Gama J., Zhang G. Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering. 2019. Vol. 31. No. 12. P. 2346–2363. DOI: 10.1109/TKDE.2018.2876857
Hovakimyan G., Bravo J. M. Evolving Strategies in Machine Learning: A Systematic Review of Concept Drift Detection. Information. 2024. Vol. 15. No. 12. Article 786. DOI: 10.3390/info15120786

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