1607-968X Финансовый менеджмент Financial Management 1607-968X Издательский дом "Академический" 1605 10.25806/fm-1605 https://www.finance-man.ru/index.php/journal/article/view/1605 ЭФФЕКТИВНОСТЬ РЕГРЕССИОННЫХ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ДИНАМИКИ КРИПТОВАЛЮТНОГО РЫНКА THE EFFECTIVENESS OF NEURAL NETWORK REGRESSION MODELS FOR PREDICTING THE DYNAMICS OF THE CRYPTOCURRENCY MARKET Бакуменко Л.П. Бакуменко Л.П. Bakumenko L.P. lpbakum@mail.ru Васильева Н.В. Васильева Н.В. Vasilyeva N.V. Марийский государственный университет Mari State University 19 12 2024 2024 11-2 340 349 25 10 2024 09 12 2024 2024 Издательский дом "Академический" Academic Publishing House Материал распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). This work is licensed under a Creative Commons Attribution 4.0 International License (CC BY 4.0). https://www.finance-man.ru/index.php/journal/article/view/1605

Развитие криптовалютного рынка является активным в последние годы, требуя анализа его интеграции в мировую финансовую систему. Наличие больших данных в данной сфере позволяет применить сложные модели, в частности, нейронные сети, для цели изучения сложившейся динамики на рынке. В статье рассматривается взаимосвязь различных финансовых индикаторов с основными криптовалютами – Bitcoin (BTC), Etherium (ETH), Binane Coin (BNB), Ripple (XRP) и стейблкоином USDT. В качестве финансовых индикаторов выделены фондовые индексы, сырьевые активы, валютные пары и иные криптовалюты, оказывающие влияние на криптовалютный рынок. Авторами собраны среднемесячные данные по данным показателям за 2015–2023 гг. Методом исследования выступает регрессионная модель, основанная на нейронных сетях. Эффективность моделей исследуется при помощи расчета ошибок.

The development of the cryptocurrency market has been active in recent years, requiring an analysis of its integration into the global financial system. The availability of big data in this area allows us to apply complex models, in particular, neural networks, for the purpose of studying the current dynamics in the market. The article examines the relationship of various financial indicators with the main cryptocurrencies – Bitcoin (BTC), Etherium (ETH), Binane Coin (BNB), Ripple (XRP) and the USDT stablecoin. Stock indexes, commodity assets, currency pairs and other cryptocurrencies that influence the cryptocurrency market are highlighted as financial indicators. The authors have collected average monthly data on these indicators for 2015-2023. The research method is a regression model based on neural networks. The effectiveness of the models is investigated by calculating errors.

 Ключевые слова криптовалюта нейронные сети регрессия прогнозирование Биткоин Keywords cryptocurrency neural network regression forecasting Bitcoin Саетова Л.Г., Горохов М.М. Нейронная сеть и регрессия: описание линейной регрессии в нейронных сетях // Информационные технологии в науке, промышленности и образовании. 2021. С. 15-21. Химченко А.В., Шилин И.В. К вопросу о возможности замены моделей на основе уравнений линейной регрессии искусственной нейронной сетью для многофакторного эксперимента // Прикладные вопросы физики (к 120-летию со дня рождения академиков ИВ Курчатова и АП Александрова). 2022. С. 112-120. Liashenko O., Kravets T., Repetskyi Y. Neural Networks in Application to Cryptocurrency Exchange Modeling // CEUR Workshop Proceedings. 2020. P. 350-360. Sinha H. Predicting Bitcoin Prices Using Machine Learning Techniques With Historical Data // Int. J. Creat. Res. Thoughts. 2024. V. 12. № 8. P. 760-769. Hansun S., Wicaksana A., Khaliq A. Q. M. Multivariate cryptocurrency prediction: comparative analysis of three recurrent neural networks approaches // Journal of Big Data. 2022. V. 9. № 1. P. 50-65. Saha V. Predicting Future Cryptocurrency Prices Using Machine Learning Algorithms // Journal of Data Analysis and Information Processing. 2023. V. 11. № 4. P. 400-419. Katina J., Katin I., Komarova V. Cryptocurrency price forecasting: a comparative analysis of autoregressive and recurrent neural network models // Entrepreneurship and sustainability issues. 2024. V. 11. № 4. P. 425-436. Patel N.P. et al. Fusion in cryptocurrency price prediction: A decade survey on recent advancements, architecture, and potential future directions // IEEE Access. 2022. V. 10. P. 34511-34538. Hamayel M.J., Owda A.Y. A novel cryptocurrency price prediction model using GRU, LSTM and bi-LSTM machine learning algorithms //Ai. 2021. V. 2. № 4. P. 477-496. Katina J., Katin I., Komarova V. Cryptocurrency price forecasting: a comparative analysis of autoregressive and recurrent neural network models // Entrepreneurship and sustainability issues. 2024. V. 11. № 4. P. 425-436.