Главная  Журналы  Финансовая аналитика: проблемы и решения  1(351) - 2020 январь-март

Разработка прогноза динамики курса криптовалюты на основе теории машинного обучения

Получена: 26.06.2019

Получена в доработанном виде: 14.07.2019

Одобрена: 02.08.2019

Доступна онлайн: 28.02.2020

Рубрика: РИСКИ, АНАЛИЗ И ОЦЕНКА

Коды JEL: F47, F63, G17

Страницы: 97–113

https://doi.org/10.24891/fa.13.1.97

Предмет. Методические подходы к прогнозированию динамики развития рынка криптовалюты (на примере биткойна).
Цели. Поиск и научное обоснование инструментов и механизмов разработки прогностических оценок развития рынка криптовалюты на краткосрочный период времени с использованием методов моделирования временных рядов на основе использования методов машинного обучения, в которых применяются искусственные нейронные сети LSTM.
Методология. На основе использования методов программирования в среде Python построена и обоснована модель нейронной сети для анализируемого ряда, характеризующего динамику биржевого курса биткойна.
Результаты. На основе реализации подбора функции потерь, оптимизатора и параметров построения нейронной сети, предсказывающей курс валютной пары BTC/USD на один день вперед доказана ее высокая пригодность, что подтверждается минимальным уровнем ошибок на тренировочной и валидационной выборке.
Область применения. Разработанный подход целесообразно использовать при проведении анализа и оценки текущих и перспективных параметров развития рынка криптовалюты. Инструментарий может представлять практический интерес для инвесторов, осуществляющих свою деятельность на новых рынках цифровых денег.
Выводы. Полученные результаты во многом свидетельствуют о перспективности выбранного инструментария прогнозирования рынка криптовалюты, основанного на использовании алгоритмов построения LSTM-сетей.

Ключевые слова: рынок криптовалюты, временной ряд, прогнозирование, машинное обучение, искусственные нейронные сети, LSTM, искусственный интеллект

Список литературы:

1. Сафиуллин М.Р., Ельшин Л.А., Абдукаева А.А. Разработка стохастической модели среднесрочного прогнозирования курса криптовалют (на примере биткоина) // Финансы и кредит. 2018. Т. 24. Вып. 5. С. 1046–1060. URL: Link
2. Luther W. Cryptocurrencies, Network Effects, and Switching Costs. Contemporary Economic Policy, 2016, vol. 34, iss. 3, pp. 553–571. URL: Link
3. Vranken H. Sustainability of Bitcoin and Blockchains. Current Opinion in Environmental Sustainability, 2017, vol. 28, pp. 1–9. URL: Link
4. White L.H. The Market for Cryptocurrencies. Cato Journal, 2015, vol. 35, no. 2, pp. 383–402. URL: Link
5. Perron P. Further Evidence on Breaking Trend Functions in Macroeconomic Variables. Journal of Econometrics, 1997, vol. 80, iss. 2, pp. 355–385. URL: Link00049-3
6. Wilson M., Yelowitz A. Characteristics of Bitcoin Users: An Analysis of Google Search Data. Applied Economics Letters, 2015, vol. 22, iss. 13, pp. 1030–1036. URL: Link
7. Райкова Н.А., Янкина И.А. Перспективы использования в россии криптовалюты как платежного инструмента // Экономика и предпринимательство. 2016. № 10-1. С. 890–894.
8. Safiullin M.R., El'shin L.A., Abdukaeva A.A. Setting the Stochastic Model for Mid-Term Prediction of Cryptocurrency Exchange Rate: The Bitcoin Case // Дайджест-финансы. 2018. Т. 23. Вып. 3. С. 261–273. URL: Link
9. Сафиуллин М.Р., Абдукаева А.А., Ельшин Л.А. Разработка прогностической модели динамики курса криптовалют с применением инструментов стохастического анализа // Вестник Института экономики Российской академии наук. 2018. № 5. С. 161–173. URL: Link
10. Сафиуллин М.Р., Ельшин Л.А., Абдукаева А.А. Разработка многофакторной прогностической модели развития глобального рынка криптовалюты // Теоретическая и прикладная экономика. 2018. № 3. С. 151–161. URL: Link
11. Кадурин А.А. Николенко С.И., Архангельская Е.В. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер, 2018. 480 с.
12. Стрижов В.В. Функция ошибки в задачах восстановления регрессии // Заводская лаборатория. 2013. Т. 79. № 5. С. 65–73.
13. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Representations by Back-Propagating Errors. Nature, 1986, vol. 323, pp. 533–536. URL: Link
14. Тормозов В.С. Исследование нейронных сетей памяти // Ученые заметки ТОГУ. 2016. Т. 7. № 1. URL: Link
15. Elman J.L. Finding Structure in Time. San Diego, University of California, 1990.
16. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, no. 8, pp. 1735–1780. URL: Link
17. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 2012, vol. 13, pp. 281–305. URL: Link

Посмотреть другие статьи номера »