| Анотація: | Методологія дослідження. Застосування методу абстракції дозволило виділити характеристики волатильності, спрощуючи аналіз складних фінансових даних ринку криптовалют. Аналіз із синтезом сприяв виявленню закономірностей та інтеграції традиційних і сучасних підходів до прогнозування, забезпечивши комплексну оцінку методів. Логічний та історичний підходи дали змогу провести еволюційний аналіз, а методи класифікації за принципами загального та особливого аналізу, у комбінації з порівняльним і абстрактно-логічним аналізом, дозволили об’єктивно оцінити ефективність розроблених моделей та обґрунтувати доцільність розробки інноваційних рішень для оптимізації торгових стратегій та мінімізації ризиків. Результати. У дослідженні проведено порівняльний аналіз методів прогнозування волатильності ринків криптовалют з використанням традиційних статистичних підходів та сучасних алгоритмів машинного навчання. Отримані результати підтверджують переваги інтеграції класичних методів із алгоритмами машинного навчання, що дозволяють більш точно оцінювати ризики та оптимізувати торгові стратегії в умовах високої волатильності криптовалютних ринків. Визначену волатильність можна використовувати разом із Reinforcement Learning (RL) для оптимізації торгових стратегій, що дозволяє агенту навчатися приймати рішення в середовищі для максимізації кумулятивної винагороди. Використання RL в торгівлі криптовалютою є перспективним напрямком, але вимагає обережного підходу та ретельного тестування стратегій перед їх застосуванням в реальній торгівлі. Новизна. Наукова новизна полягає в комплексному підході до прогнозування волатильності ринків криптовалют, що поєднує класичні статистичні методи з сучасними алгоритмами машинного навчання. Встановлено переваги ансамблевих методів машинного навчання для аналізу волатильності криптовалют. Запропоновано інтеграцію навчання з підкріпленням (RL) для оптимізації торгових стратегій на основі прогнозованої волатильності, що є новим підходом до автоматизації торгівлі криптовалютами. Практична значущість. Результати дослідження мають практичне значення для учасників ринку криптовалют, включаючи інвесторів, трейдерів та фінансових аналітиків. Інтеграція методів машинного навчання з традиційними статистичними підходами відкриває нові можливості для розробки ефективних торгових стратегій, що сприяє підвищенню прибутковості та стабільності на ринку криптовалют ринку. Дослідження також корисне для розробників торгових платформ та аналітичних інструментів, оскільки надає емпіричні дані для вдосконалення алгоритмів прогнозування та аналізу ринкових даних. |
| Література: | - 1. Bouri, E., Saeed, E., Vinh Vo, X., and Roubaud, D. (2021). Quantile connectedness in the cryptocurrency market, Journal of International Financial Markets, Institutions and Money, Vol. 71, 101302. https://doi.org/10.1016/j.intfin.2021.101302.2.
- 2. Gupta, H., and Chaudhary. R. (2022)/ An Empirical Study of Volatility in Cryptocurrency Market. Journal of Risk and Financial Management. 15: 513. https://doi.org/10.3390/jrfm15110513
- 3. Time Series Analysis: Forecasting and Control, 5th Edition, by George E.P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung (2015). John Wiley and Sons Inc., Hoboken, New Jersey, pp. 712.
- 4. Kejia, Y., Yan, H., and Gupta, R. (2022). Are GARCH and DCC values of 10 cryptocurrencies affected by COVID‐19? Journal of Risk and Financial Manage- ment, 15(3), 113. https://doi.org/10.3390/jrfm15030113
- 5. Khedr, A. M., Arif, I., Pravija Raj, P. V., El- Bannany, M., Alhashmi, S. M., & Sreedharan, M. (2021). Cryptocurrency price prediction using traditional statistical and machine learning techniques: A survey. Intelligent Systems in Accounting, Finance and Management, 28(1), 3-34. https://doi.org/10.1002/isaf.1488
- 6. Bollerslev, Tim. Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, Volume 31, Issue 3, 1986, Pages 307-327, https://doi.org/10.1016/0304-4076(86)90063-1.
- 7. Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2019). Literature review: Machine learning techniques applied to financial market prediction R. Expert Systems with Applications, 124, 226-251. https://doi.org/10.1016/j.eswa.2019.01.012
- 8. Umar Yahaya, H., Sunday Oyinloye, J., & Olorunfemi Adams, S. (2022). Modeling and Forecasting Cryptocurrency Returns and Volatility: An Application of GARCH Models. Universal Journal of Finance and Economics, 2(1), 71-90. Universal Journal of Finance and Economics, 2022, 2, 497 https://doi.org/10.31586/ujfe.2022.497
- 9. Lahmiri, S., & Bekiros, S. (2019). Cryptocurrency forecasting with deep learning chaotic neural networks. Chaos, Solitons & Fractals, 118, 35-40. https://doi.org/10.1016/J.CHAOS.2018.11.014
- 10. Nazareth, N., & Ramana Reddy, Y. V. (2023). Financial applications of machine learning: A literature review. Expert Systems with Applications, 219(January), 119640. https://doi.org/10.1016/j.eswa.2023.119640
|
Архів