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)

ROR

ЕДРПОУ 05481984

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.

КАТАЛОГ

Порівняльний аналіз підходів моделювання динаміки ринку криптоактивів
Меркулова Т. В., Луценко Р. Р.

Меркулова Т. В., Луценко Р. Р. Порівняльний аналіз підходів моделювання динаміки ринку криптоактивів. Бізнес Інформ. 2026. №3. C. 314–325.
https://doi.org/10.32983/2222-4459-2026-3-314-325

Розділ: Економіко-математичне моделювання

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 330.4

Анотація:
У статті проведений аналіз статистичних і алгоритмічних підходів до моделювання застосування методів машинного навчання та економетричного аналізу для моделювання динаміки ринку криптоактивів на основі даних соціальних мереж. Актуальність дослідження зумовлена високою волатильністю криптовалютного ринку та необхідністю використання сучасних аналітичних інструментів для підвищення точності прогнозування його розвитку. Метою роботи є дослідження можливостей поєднання багатофакторних регресійних моделей і методів машинного навчання для моделювання змін вартості криптоактивів. Основним джерелом емпіричних даних стали поведінкові метрики, отримані через API з візуально-орієнтованих і соціальних мереж. Методологія дослідження включала побудову системи кількісних індикаторів, їх інтеграцію з фінансовими часовими рядами та порівняльне тестування різних класів моделей. Побудовано багатофакторну лінійну та поліноміальну моделі для опису залежностей між ринковими показниками, а також застосовано алгоритми машинного навчання, зокрема дерево рішень і випадковий ліс, для моделювання та прогнозування динаміки криптоактивів. Проведено порівняльний аналіз отриманих результатів та оцінено точність прогнозування різними методами. Результати дослідження свідчать, що поєднання статистичних моделей і алгоритмів машинного навчання дозволяє підвищити якість прогнозування та забезпечує більш повне врахування складної нелінійної структури криптовалютного ринку. Отримані результати можуть бути використані для подальшого розвитку методів прогнозування фінансових ринків і вдосконалення інструментів аналітичної підтримки інвестиційних рішень. Перспективи подальших досліджень полягають у вдосконаленні моделей для обробки візуального контенту.

Ключові слова: динамічні моделі; економетричне моделювання; макропоказники; машинне навчання; прогнозування ринку; ринок криптоактивів; соціальні мережі; поведінкові фактори; сентимент-аналіз.

Рис.: 7. Бібл.: 15.

Меркулова Тамара Вікторівна – доктор економічних наук, професор, завідувач кафедри, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]
Луценко Ростислав Русланович – доцент, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]

Список використаних у статті джерел

Chaudhary D., Saroj S. K. Cryptocurrency Price Prediction Using Machine Learning Algorithms. ADCAIJ: Advances in Distributed Computing and Artificial Intelligence Journal. 2023. Vol. 12. No. 1. P. e31490. DOI: https://doi.org/10.14201/adcaij.31490
Murray K., Rossi A., Carraro D., Visentin A. Cryptocurrency Price Prediction: A Comparison of Machine Learning, Deep Learning, and Ensembles. Forecasting. 2023. Vol. 5. Iss. 1. P. 196–209. DOI: https://doi.org/10.3390/forecast5010010
Tanwar S., Patel N. P., Patel S. N. et al. Deep Learning-Based Cryptocurrency Price Prediction Scheme with Inter-Dependent Relations. IEEE Access. 2021. Vol. 9. P. 1–15. DOI: https://doi.org/10.1109/ACCESS.2021.3117848
Zhang C., Li W., Zhang H., Zhan T. Recent Advances in Intelligent Data Analysis and Its Applications. Electronics. 2024. Vol. 13. Iss. 1. Art. 226. DOI: https://doi.org/10.3390/electronics13010226
Kraaijeveld O., De Smedt J. The predictive power of public Twitter sentiment for forecasting cryptocurrency prices. Journal of International Financial Markets, Institutions and Money. 2020. Vol. 65. Art. 101188. DOI: https://doi.org/10.1016/j.intfin.2020.101188
Kahneman D. Maps of Bounded Rationality: Psychology for Behavioral Economics. The American Economic Review. 2003. Vol. 93. No. 5. P. 1449–1475. DOI: https://doi.org/10.1257/000282803322655392
Thaler R. H. Misbehaving: The Making of Behavioral Economics. The Review of Austrian Economics. 2017. Vol. 30. P. 137–141. DOI: https://doi.org/10.1007/s11138-015-0330-z
Raviv L., Meyer A., Lev-Ari S. The Role of Social Network Structure in the Emergence of Linguistic Structure. Cognitive Science. 2020. Vol. 44. Iss. 8. Art. e12876. DOI: https://doi.org/10.1111/cogs.12876
Baltakys K., Baltakiene M., Heidari N. et al. Predicting the trading behavior of socially connected investors: Graph neural network approach with implications to market surveillance. Expert Systems with Applications. 2023. Vol. 228. Art. 120285. DOI: https://doi.org/10.1016/j.eswa.2023.120285
Sundarasen S., Saleem F. From Tweets to Trades: A Bibliometric and Systematic Review of Social Media’s Influence on Cryptocurrency. International Journal of Financial Studies. 2025. Vol. 13. Iss. 2. Art. 87. DOI: https://doi.org/10.3390/ijfs13020087
De B. API Management : An Architect’s Guide to Developing and Managing APIs for Your Organization. 2nd ed. Apress, 2023. P. 127–169. DOI: https://doi.org/10.1007/979-8-8688-0054-2
Луценко Р. Р. Прикладний програмний інтерфейс як метод моніторингу даних соціальних мереж для досліджень у поведінковій економіці. Бізнес Інформ. 2024. № 8. С. 133–141. DOI: https://doi.org/10.32983/2222-4459-2024-8-133-141
Lyons R. K., Viswanath-Natraj G. What keeps stablecoins stable? Journal of International Money and Finance. 2023. Vol. 131. Art. 102777. DOI: https://doi.org/10.1016/j.jimonfin.2022.102777
Gurgul V., Lessman S., Hardle W. K. Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data. International Journal of Forecasting. 2025. Vol. 41. Iss. 4. P. 1666–1695. DOI: https://doi.org/10.1016/j.ijforecast.2025.02.007
Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. 2019. Vol. 1. P. 4171–4186. DOI: https://doi.org/10.18653/v1/N19-1423