Прогнозування курсу криптовалют методами глибинного навчання

Будікова С. Є. Прогнозування курсу криптовалют методами глибинного навчання : кваліфікаційна робота бакалавра : 051 Економіка / В.В. Шпирко. Київ, 2024. 58 с.

Об’єкт дослідження: курси криптовалют, які демонструють високий рівень волатильності та складність у прогнозуванні.
Мета дослідження: вивчення та оцінка ефективності методів глибинного навчання у прогнозуванні курсу криптовалют.
Методи дослідження: аналіз літератури та попередніх досліджень з метою розуміння сутності та історії розвитку криптовалют, а також сучасних методів їхнього прогнозування; використання різних моделей часових рядів для прогнозування курсу криптовалют; проведення порівняльного аналізу для визначення найефективніших методів прогнозування.
Наукова новизна, теоретична значимість дослідження: в роботі проведений всебічний аналіз та порівняння ефективності різних моделей часових рядів, включаючи методи глибинного навчання, для прогнозування курсу криптовалют, детально досліджено як традиційні статистичні методи, такі як ARIMA, Facebook Prophet та експоненційне згладжування, так і сучасні методи глибинного навчання, зокрема LSTM. Дана робота сприяє розвитку теоретичних основ аналізу криптовалют, їхніх цінових динамік та факторів, що впливають на їхнє коливання.
Результати дослідження можуть бути використані для подальшого розвитку теоретичних моделей прогнозування фінансових ринків, а також для розробки нових підходів до аналізу великих даних у фінансовій сфері.
Практична цінність: можливість застосування отриманих результатів для покращення точності прогнозування курсу криптовалют, що може бути корисним для інвесторів, фінансових аналітиків та трейдерів.

The graduation research of student deals with cryptocurrency rates, which demonstrate a high level of volatility and are difficult to predict.
The work is interesting for a comprehensive analysis and comparison of the effectiveness of various time series models, including deep learning methods, for forecasting cryptocurrency rates, and use of both traditional statistical methods, such as ARIMA, Facebook Prophet, and exponential smoothing, and modern deep learning methods, such as LSTM. This work contributes to the development of the theoretical framework for analyzing cryptocurrencies, their price dynamics, and the factors that influence their fluctuations. The results of the study can be used to further develop theoretical models for forecasting financial markets, as well as to develop new approaches to big data analysis in the financial sector.