Гібридний підхід до моделювання динаміки ринку криптовалют на основі кластерного аналізу та нейромережевих технологій
| dc.contributor.author | Кочорба, Валерія Юріївна | |
| dc.date.accessioned | 2026-04-14T09:54:49Z | |
| dc.date.available | 2026-04-14T09:54:49Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Метою статті є розробка та практична апробація комплексу моделей аналізу динаміки ринку криптовалют, що базується на поєднанні методів інтелектуального аналізу даних (Data Mining) та глибокого навчання (Deep Learning). Актуальність дослідження зумовлена високою волатильністю криптоактивів і неефективністю традиційних економетричних підходів в умовах нелінійності ринкових процесів. У роботі використано методи описової статистики та кореляційного аналізу для формування простору ознак; метод кластерного аналізу k-середніх (k-means) для класифікації криптовалют за рівнем інвестиційної привабливості; архітектури штучних нейронних мереж (ANN) та мереж довгої короткострокової пам’яті (LSTM) для прогнозування часових рядів вартості активів. Обробка даних, навчання моделей та візуалізація результатів здійснювалися мовою програмування Python з використанням бібліотек Pandas, Scikit-learn, Keras та TensorFlow. Проведено кластеризацію ринку криптовалют на основі показників капіталізації, волатильності й історичної прибутковості. Визначено оптимальну кількість кластерів (k=5) та підтверджено якість розбиття за допомогою коефіцієнта силуету (0,53). Виявлено, що найбільш привабливими для інвестування є активи 5-го кластера (висока прибутковість, помірний ризик, представник – Axie) та 3-го кластера (низький ризик, консервативна стратегія, представник – WBTC). Для монет-репрезентантів цих кластерів побудовано та навчено нейромережеві моделі. Встановлено, що модель LSTM демонструє вищу точність порівняно з класичною ANN, досягаючи коефіцієнта детермінації R2>0,93 та меншої середньоквадратичної похибки (MSE) на тестових даних. Доведено ефективність застосування «вентилів забування» у LSTM для фільтрації ринкового шуму та виявлення довгострокових трендів. Запропонований гібридний підхід дозволяє автоматизувати процес відбору активів для інвестування та підвищити точність прогнозування їхньої ринкової вартості. Отримані результати можуть бути використані як основа для побудови алгоритмічних торгових стратегій і систем підтримки прийняття рішень в управлінні інвестиційними портфелями. | |
| dc.identifier.citation | Кочорба В. Ю. Гібридний підхід до моделювання динаміки ринку криптовалют на основі кластерного аналізу та нейромережевих технологій. Бізнес Інформ. 2026. №1. C. 439–449. https://doi.org/10.32983/2222-4459-2026-1-439-449 | |
| dc.identifier.uri | https://www.business-inform.net/article/?year=2026&abstract=2026_1_0_439_449 | |
| dc.identifier.uri | https://dr.csbc.edu.ua/handle/123456789/1790 | |
| dc.publisher | Науково-дослідний центр індустріальних проблем розвитку НАН України | |
| dc.subject | SOCIAL SCIENCES::Business and economics::Economics | |
| dc.subject | SOCIAL SCIENCES::Business and economics | |
| dc.subject | SOCIAL SCIENCES::Business and economics::Business studies | |
| dc.subject | LAW/JURISPRUDENCE::Financial law | |
| dc.subject | SOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems science::Information technology | |
| dc.title | Гібридний підхід до моделювання динаміки ринку криптовалют на основі кластерного аналізу та нейромережевих технологій | |
| dc.title.alternative | A Hybrid Approach to Modeling Cryptocurrency Market Dynamics Based on Cluster Analysis and Neural Network Technologies | |
| dc.type | Article |