ПОРІВНЯЛЬНИЙ АНАЛІЗ ЕФЕКТИВНОСТІ НЕЙРОННИХ МЕРЕЖ ТА АНСАМБЛЕВИХ МЕТОДІВ У ПРОГНОЗУВАННІ ЦІН КРИПТОВАЛЮТ

У статті проведено порівняльний аналіз ефективності різних методів машинного навчання для прогнозування цін криптовалют. Дослідження охоплює шість популярних криптовалют: Bitcoin, Ethereum, Binance Coin, Cardano, Ripple та Litecoin. Для прогнозування використано рекурентні нейронні мережі (RNN, LSTM...

Celý popis

Uložené v:
Podrobná bibliografia
Vydané v:Ekonomichnyĭ visnyk NTUU "KPI" číslo 32; s. 155 - 160
Hlavní autori: Клебан, Ю. В., Конощук, Є. А.
Médium: Journal Article
Jazyk:English
Vydavateľské údaje: Igor Sikorsky Kyiv Polytechnic Institute 15.04.2025
Predmet:
LSTM
ансамблеві методи
криптовалюти
машинне навчання
нейронні мережі
прогнозування цін
ISSN:2307-5651, 2412-5296
On-line prístup:Získať plný text
Tagy: Pridať tag
Žiadne tagy, Buďte prvý, kto otaguje tento záznam!
Popis
Shrnutí:У статті проведено порівняльний аналіз ефективності різних методів машинного навчання для прогнозування цін криптовалют. Дослідження охоплює шість популярних криптовалют: Bitcoin, Ethereum, Binance Coin, Cardano, Ripple та Litecoin. Для прогнозування використано рекурентні нейронні мережі (RNN, LSTM) та ансамблеві методи (XGBoost, Random Forest). Дані були зібрані за період з 1 січня 2021 року по 17 лютого 2025 року, а для оцінки точності моделей застосовано метрики RMSE, MAE та MAPE. Результати показали, що LSTM демонструє найкращу точність для Bitcoin та Binance Coin, тоді як ансамблеві методи (XGBoost та Random Forest) виявилися ефективнішими для Ethereum та Litecoin. Для Cardano та Ripple найкращі результати показала модель RNN. Дослідження підтвердило, що вибір моделі для прогнозування цін криптовалют має враховувати специфіку кожного активу, зокрема його волатильність та історичну динаміку. Стаття пропонує рекомендації щодо вибору оптимальних методів для прогнозування цін криптовалют, що може бути корисним для інвесторів та учасників ринку цифрових активів.
ISSN:2307-5651
2412-5296
DOI:10.20535/2307-5651.32.2025.328561