THE EFFECTIVENESS OF NEURAL NETWORK REGRESSION MODELS FOR PREDICTING THE DYNAMICS OF THE CRYPTOCURRENCY MARKET
DOI:
https://doi.org/10.25806/fm-1605Статья поступила в редакцию: 25.10.2024
Статья принята к публикации: 09.12.2024
Статья опубликована: 19.12.2024
Keywords:
cryptocurrency, neural network, regression, forecasting, BitcoinAbstract
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.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Финансовый менеджмент». Все права защищены. Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU www.elibrary.ru/contents.asp?titleid=9552 . Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) . Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
References
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.
