Моделі та методи прогнозування курсу криптовалют

Abstract

Магістерська кваліфікаційна робота: 55 с., 2 табл., 13 рис., 3 додатки, 36 джерел. Метою магістерської роботи є розроблення та дослідження моделей і методів прогнозування курсу криптовалют на основі сучасних підходів машинного та глибинного навчання з метою підвищення точності прогнозів і забезпечення аналітичної підтримки прийняття рішень на криптовалютному ринку. Об’єктом дослідження є процеси прогнозування часових рядів вартості криптовалют на основі історичних та ринкових даних. Предметом дослідження є моделі, методи та алгоритми прогнозування курсу криптовалют, що базуються на використанні статистичних, машинних і глибинних підходів. У роботі використовуються методи статистичного аналізу, економетрики, машинного та глибинного навчання, аналізу часових рядів, а також експериментальні методи дослідження моделей прогнозування з використанням реальних ринкових даних. Розділ 1 «Теоретичні основи прогнозування курсів криптовалют» присвячено аналізу наукових і практичних підходів до прогнозування фінансових часових рядів. Розглянуто сутність криптовалют, їх роль у цифровій економіці та основні фактори впливу на курс (ринкові, технічні, інформаційні, психологічні). Проаналізовано методи прогнозування: від класичних статистичних моделей (ARIMA, VAR) до сучасних алгоритмів машинного та глибинного навчання (Random Forest, LSTM, GRU). Окрему увагу приділено огляду наукових публікацій і порівнянню підходів до прогнозування криптовалют. У розділі 2 «Розроблення моделі прогнозування курсу криптовалют» сформульовано постановку задачі прогнозування та описано підхід до побудови моделі. Пояснюється вибір методів, описано процес збирання та попередньої обробки даних (очищення, нормалізація, усунення пропусків, підготовка навчальної вибірки). Розглядається архітектура запропонованої моделі машинного або глибинного навчання (наприклад, LSTM-мережа з кількома шарами). Показано реалізацію алгоритму за допомогою інструментів Python. У розділі 3 «Експериментальні дослідження та аналіз результатів» подано опис проведених експериментів із використанням реальних даних. Порівнюються результати різних моделей (ARIMA, LSTM, GRU, Hybrid). Для оцінки якості прогнозів застосовано метрики точності: MAE, RMSE, MAPE. Розділ 4 «Практична реалізація моделі» присвячено створенню прикладного програмного рішення для прогнозування курсу криптовалют. Описано архітектуру системи, принципи взаємодії з API криптобірж (CoinGecko, Binance) та реалізацію інтерфейсу користувача. Демонструється робота системи, приклади візуалізації результатів і можливості подальшого розширення (підтримка кількох валют, інтеграція з аналітичними платформами). Подано результати тестування продуктивності та точності, а також рекомендації щодо використання програми у практичній діяльності. Розроблено програмне забезпечення для автоматизованого прогнозування курсу криптовалют, яке включає модулі збору даних із біржових API (Binance, CoinGecko), попередньої обробки даних, навчання моделей, побудови прогнозів і візуалізації результатів. Реалізовано систему кешування, обробки rate-limit, підтримку Docker-контейнеризації та веб-інтерфейс користувача. Результати роботи можуть бути використані для створення інтелектуальних фінансових систем, розширення торговельних платформ, оптимізації алгоритмічної торгівлі та подальших досліджень у галузі фінансової аналітики.