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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Ekonomichnyĭ visnyk NTUU "KPI" H. 32; S. 155 - 160
Hauptverfasser: Клебан, Ю. В., Конощук, Є. А.
Format: Journal Article
Sprache:Englisch
Veröffentlicht: Igor Sikorsky Kyiv Polytechnic Institute 15.04.2025
Schlagworte:
LSTM
ансамблеві методи
криптовалюти
машинне навчання
нейронні мережі
прогнозування цін
ISSN:2307-5651, 2412-5296
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung: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