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

Uloženo v:
Podrobná bibliografie
Vydáno v:Ekonomichnyĭ visnyk NTUU "KPI" číslo 32; s. 155 - 160
Hlavní autoři: Клебан, Ю. В., Конощук, Є. А.
Médium: Journal Article
Jazyk:angličtina
Vydáno: Igor Sikorsky Kyiv Polytechnic Institute 15.04.2025
Témata:
LSTM
ансамблеві методи
криптовалюти
машинне навчання
нейронні мережі
прогнозування цін
ISSN:2307-5651, 2412-5296
On-line přístup:Získat plný text
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
Abstract 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.
AbstractList 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.
Author Клебан, Ю. В.
Конощук, Є. А.
Author_xml – sequence: 1
  givenname: Ю. В.
  orcidid: 0000-0002-7070-5175
  surname: Клебан
  fullname: Клебан, Ю. В.
– sequence: 2
  givenname: Є. А.
  orcidid: 0009-0008-3088-2661
  surname: Конощук
  fullname: Конощук, Є. А.
BookMark eNo9UUtuE0EQbaEgkd8dhgNM0l39meklsoBYisQG1q2emW5kFDxohg0X8NoEnGCwHceBrFByCC5QR6JmDFlU11P1e69KentsZ1yPA2NPBT8CrqU-BsmzVBstjiTQCDT1XBvxiO2CEpBqsGaH8H_aE3bYtqOCK5VJrXK7y_7gFa5wjRM8xyXe4w_8Tf0bzhOcEpjSYIKXCc7wJ9V33NBfx1zhNeFJQnCGczJYEeqEvxJc0GhNdZEQZbo1uqZ3gZ_Jbkb6B9qGdF-75QneJHRK5_Olt7_EGyJOe1dac0ukZUIHrEl81evO--vucHPAHkd_1obDf32fvXnx_PXgJD199XI4eHaalsJkIi1BajAWIo-lyry1POT0wyvD8yCkhRALpUuA3BbWGwjac2tC5KZSUWSl3GfDrW9V-3fuQzN675tPrvYj1w_q5q3zzcdReRac0tGGGArBC6WqIvNVBiqjhYpzECDIy269yqZu2ybEBz_BXR-u61JzXWpOguvCddtw5V_7UNhL
ContentType Journal Article
DBID AAYXX
CITATION
DOA
DOI 10.20535/2307-5651.32.2025.328561
DatabaseName CrossRef
DOAJ (Directory of Open Access Journals)
DatabaseTitle CrossRef
DatabaseTitleList CrossRef
Database_xml – sequence: 1
  dbid: DOA
  name: DOAJ Directory of Open Access Journals
  url: https://www.doaj.org/
  sourceTypes: Open Website
DeliveryMethod fulltext_linktorsrc
Discipline Economics
EISSN 2412-5296
EndPage 160
ExternalDocumentID oai_doaj_org_article_45f9efeb10b44db7ad72470e84002121
10_20535_2307_5651_32_2025_328561
GroupedDBID AAYXX
ALMA_UNASSIGNED_HOLDINGS
CITATION
GROUPED_DOAJ
ID FETCH-LOGICAL-c1671-c2352692f0fc47a990e8c160d608e1392efb45c2289b9a62e5a096ef06d4f17c3
IEDL.DBID DOA
ISSN 2307-5651
IngestDate Fri Oct 03 12:50:28 EDT 2025
Sat Nov 29 07:53:16 EST 2025
IsDoiOpenAccess true
IsOpenAccess true
IsPeerReviewed true
IsScholarly true
Issue 32
Language English
LinkModel DirectLink
MergedId FETCHMERGED-LOGICAL-c1671-c2352692f0fc47a990e8c160d608e1392efb45c2289b9a62e5a096ef06d4f17c3
ORCID 0000-0002-7070-5175
0009-0008-3088-2661
OpenAccessLink https://doaj.org/article/45f9efeb10b44db7ad72470e84002121
PageCount 6
ParticipantIDs doaj_primary_oai_doaj_org_article_45f9efeb10b44db7ad72470e84002121
crossref_primary_10_20535_2307_5651_32_2025_328561
PublicationCentury 2000
PublicationDate 2025-04-15
PublicationDateYYYYMMDD 2025-04-15
PublicationDate_xml – month: 04
  year: 2025
  text: 2025-04-15
  day: 15
PublicationDecade 2020
PublicationTitle Ekonomichnyĭ visnyk NTUU "KPI"
PublicationYear 2025
Publisher Igor Sikorsky Kyiv Polytechnic Institute
Publisher_xml – name: Igor Sikorsky Kyiv Polytechnic Institute
SSID ssib044735489
ssj0002875944
ssib046616585
ssib038075898
Score 2.2886896
Snippet У статті проведено порівняльний аналіз ефективності різних методів машинного навчання для прогнозування цін криптовалют. Дослідження охоплює шість популярних...
SourceID doaj
crossref
SourceType Open Website
Index Database
StartPage 155
SubjectTerms LSTM
ансамблеві методи
криптовалюти
машинне навчання
нейронні мережі
прогнозування цін
Title ПОРІВНЯЛЬНИЙ АНАЛІЗ ЕФЕКТИВНОСТІ НЕЙРОННИХ МЕРЕЖ ТА АНСАМБЛЕВИХ МЕТОДІВ У ПРОГНОЗУВАННІ ЦІН КРИПТОВАЛЮТ
URI https://doaj.org/article/45f9efeb10b44db7ad72470e84002121
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVAON
  databaseName: DOAJ Directory of Open Access Journals
  customDbUrl:
  eissn: 2412-5296
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssj0002875944
  issn: 2307-5651
  databaseCode: DOA
  dateStart: 20140101
  isFulltext: true
  titleUrlDefault: https://www.doaj.org/
  providerName: Directory of Open Access Journals
– providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  customDbUrl:
  eissn: 2412-5296
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssib044735489
  issn: 2307-5651
  databaseCode: M~E
  dateStart: 20140101
  isFulltext: true
  titleUrlDefault: https://road.issn.org
  providerName: ISSN International Centre
link http://cvtisr.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwrV1Lb9QwELZQhYAL4inKS0biGho7zusIqBUXKg4g9RYlji3BYUFt4chxz0thKYV2u90CJwQ_gj8wP4lvnN3tcuLCIY5lz0y8O6PMTOJ8I8TdpPA-Lps4Mm2GplAmKuvaRdYqlfhUFWXTFZvI19eLjY3yyUKpL94T1sEDd3_cikl96TzuKHFjTNvkdZtrk8cOiQmjk4fEB1HPQjIFS2IU9bQ4SSQMF9g1J7jqBl4pm-GuvwiPmPK0DJVfeWN0hChHnRF3eJ8045-szAfvJfzxlk5xLtJM_eXMFjD_g3NauyDOT6NKeb_7NRfFKde7JM7OPjreuix-0yGNaEx92qED-kVf6AfOn2hP0gCdAQb6tCtpSF9xfKYJ5phyREfo9yW6Q9qDgBF6zPhN0j6Gxjg-SpAMOkFHaPfpHcQNwT8nm4DvA19c0rHEUljO-yB-l45BOAhScZnvIDqQWMAYzIeBbyes7idNrohna6tPHz6KpvUbIquyXEVWM_h-qX3srclr-D1XYCaGVRQOkad2vjGp1cj5mrLOtEtrJFTOx1lrvMptclUs9V723DUhdWNjbTGrETB5zhNd3moFA2t0Die7LPRMEdWrDqajQnoTtFex9irWXpXoirVXddpbFg9YZXMGRtoOA7C_amp_1b_s7_r_EHJDnON18Vsqld4US9ubr90tcdq-2X6-tXk7mDbax29X_wAT6TGv
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%D0%9F%D0%9E%D0%A0%D0%86%D0%92%D0%9D%D0%AF%D0%9B%D0%AC%D0%9D%D0%98%D0%99+%D0%90%D0%9D%D0%90%D0%9B%D0%86%D0%97+%D0%95%D0%A4%D0%95%D0%9A%D0%A2%D0%98%D0%92%D0%9D%D0%9E%D0%A1%D0%A2%D0%86+%D0%9D%D0%95%D0%99%D0%A0%D0%9E%D0%9D%D0%9D%D0%98%D0%A5+%D0%9C%D0%95%D0%A0%D0%95%D0%96+%D0%A2%D0%90+%D0%90%D0%9D%D0%A1%D0%90%D0%9C%D0%91%D0%9B%D0%95%D0%92%D0%98%D0%A5+%D0%9C%D0%95%D0%A2%D0%9E%D0%94%D0%86%D0%92+%D0%A3+%D0%9F%D0%A0%D0%9E%D0%93%D0%9D%D0%9E%D0%97%D0%A3%D0%92%D0%90%D0%9D%D0%9D%D0%86+%D0%A6%D0%86%D0%9D+%D0%9A%D0%A0%D0%98%D0%9F%D0%A2%D0%9E%D0%92%D0%90%D0%9B%D0%AE%D0%A2&rft.jtitle=Ekonomichny%C4%AD+visnyk+NTUU+%22KPI%22&rft.au=Yurii+Kleban&rft.au=Yevhen+Konoshchuk&rft.date=2025-04-15&rft.pub=Igor+Sikorsky+Kyiv+Polytechnic+Institute&rft.issn=2307-5651&rft.eissn=2412-5296&rft.issue=32&rft_id=info:doi/10.20535%2F2307-5651.32.2025.328561&rft.externalDBID=DOA&rft.externalDocID=oai_doaj_org_article_45f9efeb10b44db7ad72470e84002121
thumbnail_l http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=2307-5651&client=summon
thumbnail_m http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=2307-5651&client=summon
thumbnail_s http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=2307-5651&client=summon