МЕТОДОЛОГІЯ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ КОТИРУВАНЬ КУРСІВ КРИПТОВАЛЮТ
Анотація
Метою цієї статті є представлення методології короткострокового прогнозування курсів криптовалют, яка може бути використана для прийняття інвестиційних рішень і покращення стратегій управління ризиками. Методика дослідження. Методологія дослідження передбачає використання наступних методів: логічного узагальнення, системного аналізу, аналітичного методу (статистичний аналіз). Результати. Адаптовано схему стандарту CRISP-DM для подальшого проведення дослідження щодо прогнозування котирувань курсів криптовалют. Схема складається з 8 модулів, що охоплює всі необхідні етапи процесу прогнозування, від розуміння даних і попередньої обробки до вибору моделі, навчання, оцінки та розгортання. Практична значущість результатів дослідження. Результати цього дослідження мають практичне значення для інвесторів та менеджерів з ризиків, які шукають інструменти для прогнозування короткострокових цін на криптовалюти. Запропонована методологія може бути використана для створення моделі прогнозування, що в свою чергу може бути використана для прийняття інвестиційних рішень і покращення стратегій управління ризиками шляхом надання точних прогнозів майбутніх значень обмінних курсів криптовалют.
Посилання
Даценко Н.В. Застосування дерев класифікації та регресії до прогнозування часових рядів фінансових інструментів. Вчені записки. Сер. Економіко-математичні методи. 2018. № 19. С. 169–181. URL: https://ir.kneu.edu.ua/bitstream/handle/2010/35922/aref_Datsenko.pdf?sequence=1&isAllowed=y (дата звернення: 21.02.2023).
Дербенцев В., Великоіваненко Г., Даценко Н. Застосування методів машинного навчання до прогнозування часових рядів криптовалют. Нейро-нечіткі технології моделювання в економіці. 2019. № 8. С. 65–93. DOI: http://doi.org/10.33111/nfmte.2019.065 (дата звернення: 03.03.2023).
Сайт Alpha Vantage. URL: https://www.alphavantage.co (дата звернення: 26.02.2023)
Сайт Coin Market Cap. URL: https://coinmarketcap.com/currencies/bitcoin (дата звернення: 20.02.2023)
Akyildirim E., Goncuy A., & Sensoy A. (2018) Prediction of Cryptocurrency Returns Using Machine Learning. URL: https://www.researchgate.net/publication/329322600. (дата звернення: 25.02.2023).
Catania L., Grassi S. Modelling Crypto-Currencies Financial TimeSeries. CEIS Research Paper. 2017. Vol. 15, Iss. 8, No. 417. P. 1–39. URL: https://ideas.repec.org/p/rtv/ceisrp/417.html. (дата звернення: 26.02.2023)
Corbet, Shaen and Lucey, Brian M. and Urquhart, Andrew and Yarovaya, Larisa, Cryptocurrencies as a Financial Asset: A Systematic Analysis (March 18, 2018). URL: https://ssrn.com/abstract=3143122. (дата звернення: 26.02.2023).
Derbentsev V., Matviychuk A., Soloviev V.N. (2020) Forecasting of Cryptocurrency Prices Using Machine Learning. In: Pichl L., Eom C., Scalas E., Kaizoji T. (eds) Advanced Studies of Financial Technologies and Cryptocurrency Markets. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-15-4498-9_12 (дата звернення: 26.02.2023).
Hitam N. A., Ismail A. R. Comparative Performance of Machine Learning Algorithms for Cryptocurrency. ResearchGate. 2018. P. 1–11. URL: https://www.researchgate.net/publication/327415267. (дата звернення: 20.02.2023).
Datsenko N.V. (2018) Zastosuvannia derev klasyfikatsii ta rehresii do prohnozuvannia chasovykh riadiv finansovykh instrumentiv. Vcheni zapysky. Ser. Ekonomiko-matematychni metody. № 19. p. 169–181. Available at: https://ir.kneu.edu.ua/bitstream/handle/2010/35922/aref_Datsenko.pdf?sequence=1&isAllowed=y (accessed 21.02.2023).
Derbentsev V., Velykoivanenko H., Datsenko N. (2019) Zastosuvannia metodiv mashynnoho navchannia do prohnozuvannia chasovykh riadiv kryptovaliut. Neiro-nechitki tekhnolohii modeliuvannia v ekonomitsi. № 8. p. 65–93. DOI: http://doi.org/10.33111/nfmte.2019.065 (accessed 03.03.2023).
Sait Alpha Vantage. Available at: https://www.alphavantage.co (accessed 26.02.2023)
Sait Coin Market Cap. Available at: https://coinmarketcap.com/currencies/bitcoin (accessed 20.02.2023)
Akyildirim E., Goncuy A., & Sensoy A. (2018) Prediction of Cryptocurrency Returns Using Machine Learning. Available at: https://www.researchgate.net/publication/329322600. (accessed 25.02.2023).
Catania L., Grassi S. Modelling Crypto-Currencies Financial TimeSeries. CEIS Research Paper. 2017. Vol. 15, Iss. 8, No. 417. P. 1–39. Available at: https://ideas.repec.org/p/rtv/ceisrp/417.html. (accessed 26.02.2023)
Corbet, Shaen and Lucey, Brian M. and Urquhart, Andrew and Yarovaya, Larisa, Cryptocurrencies as a Financial Asset: A Systematic Analysis (March 18, 2018). Available at: https://ssrn.com/abstract=3143122. (accessed 26.02.2023).
Derbentsev V., Matviychuk A., Soloviev V.N. (2020) Forecasting of Cryptocurrency Prices Using Machine Learning. In: Pichl L., Eom C., Scalas E., Kaizoji T. (eds) Advanced Studies of Financial Technologies and Cryptocurrency Markets. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-15-4498-9_12 (accessed 26.02.2023).
Hitam N. A., Ismail A. R. (2018) Comparative Performance of Machine Learning Algorithms for Cryptocurrency. ResearchGate. P. 1–11. Available at: https://www.researchgate.net/publication/327415267. (accessed 20.02.2023).
