ЭФФЕКТИВНОСТЬ РЕГРЕССИОННЫХ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ДИНАМИКИ КРИПТОВАЛЮТНОГО РЫНКА
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
Ключевые слова:
криптовалюта, нейронные сети, регрессия, прогнозирование, БиткоинАннотация
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.
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
Список литературы
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.
