Автоматизована система аналізу ринку криптовалют і прийняття торговельних рішень

Ніколайчук В. А. Автоматизована система аналізу ринку криптовалют і прийняття торговельних рішень : кваліфікаційна робота магістра : 122 Комп'ютерні науки ∕ наук. кер. Ю. Л. Хлевна. Київ, 2026. 102 с.

Мета кваліфікаційної роботи магістра — розробка та дослідження автоматизованої системи підтримки прийняття торговельних рішень на ринку криптовалют, що поєднує методи інтелектуального аналізу часових рядів (градієнтний бустінг, рекурентні нейронні мережі, Transformer) із моделлю глибокого навчання з підкріпленням для динамічного управління розміром позиції, з метою досягнення статистично значущого приросту коефіцієнта Шарпа порівняно зі стратегією пасивного володіння (Buy and Hold) на історичних даних BTC/USDT та ETH/USDT. Об’єкт дослідження — процес автоматизованого аналізу ринку криптовалют і прийняття торговельних рішень у системах підтримки прийняття рішень. Предмет дослідження — методи, моделі та алгоритми інтелектуального аналізу часових рядів і навчання з підкріпленням для автоматизованого формування торгових сигналів та динамічного управління торговою позицією на ринку криптовалют в умовах високої волатильності та цілодобової торгівлі. Наукова новизна роботи:
— уперше запропоновано гібридну архітектуру СППР на ринку криптовалют, яка поєднує прогноз напрямку руху ціни моделями глибокого навчання (LSTM, Transformer) з PPO-агентом для управління розміром позиції, що, на відміну від існуючих підходів, забезпечує приріст коефіцієнта Шарпа на 122% порівняно з Buy and Hold; — удосконалено метод формування sentiment-ознак шляхом використання композитного індексу Crypto Fear and Greed замість приватних джерел Twitter/X, що підвищує відтворюваність результатів; — дістала подальшого розвитку методологія walk-forward валідації за рахунок її адаптації до годинного таймфрейму з урахуванням реалістичних транзакційних витрат і прослизання. У роботі досліджено сучасні підходи до інтелектуального аналізу криптовалютного ринку. Розроблено систему конструювання понад 50 ознак, що охоплюють технічні індикатори, темпоральні циклічні фічі, метрики реалізованої волатильності та sentiment-індикатори. Реалізовано чотири класи моделей: базові еталонні стратегії (Buy and Hold, MA Crossover, RSI Mean Reversion, Bollinger Breakout); класифікатор XGBoost напрямку руху ціни; рекурентна нейронна мережа LSTM з адитивним механізмом уваги; encoder-only Transformer для часових рядів; PPO-агент для управління розміром позиції на середовищі gymnasium. На основі повної walk-forward валідації на історичних даних BTC/USDT за 2023–2026 роки запропонована гібридна модель Transformer+PPO забезпечує очікуваний коефіцієнт Шарпа 2,18 ± 0,32 при CAGR 183,5%, що відповідає 122% приросту над еталонною стратегією Buy and Hold (Sharpe 0,98). Запропоновано трирівневу стратегію бізнес-впровадження СППР з поетапною інтеграцією у промислове середовище. Кваліфікаційна робота складається зі вступу, основної частини, яка включає чотири розділи, висновків та списку використаних джерел. Робота містить таблиці, рисунки та додатки.