Сучасні методи прогнозування волатильності ринків криптовалют
Loading...
Date
2025
Journal Title
Journal ISSN
Volume Title
Publisher
НТУ «Дніпровська політехніка», Дніпро
Abstract
UKR: 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.
ENG: Methods. The application of the abstraction method allowed for the isolation of volatility characteristics, simplifying the analysis of complex financial data of the cryptocurrency market. Analysis with synthesis facilitated the identification of patterns and the integration of traditional and modern forecasting approaches, providing a comprehensive assessment of methods. Logical and historical approaches enabled evolutionary analysis, while classification methods based on general and specific analysis principles, combined with comparative and abstract-logical analysis, allowed for an objective evaluation of the developed models’ effectiveness and justified the feasibility of developing innovative solutions for optimizing trading strategies and minimizing risks. Results. The study conducted a comparative analysis of cryptocurrency market volatility prediction methods using traditional statistical approaches and modern machine learning algorithms. The results confirm the advantages of integrating classical methods with machine learning algorithms, which allow for more accurate risk assessment and optimization of trading strategies in the highly volatile cryptocurrency markets. The determined volatility can be used in conjunction with Reinforcement Learning (RL) to optimize trading strategies, allowing an agent to learn to make decisions in an environment to maximize cumulative reward. The use of RL in cryptocurrency trading is a promising direction but requires a cautious approach and thorough testing of strategies before their application in real trading.Novelty. The scientific novelty lies in a comprehensive approach to forecasting cryptocurrency market volatility, combining classical statistical methods with modern machine learning algorithms. The advantages of ensemble machine learning methods for analyzing cryptocurrency volatility have been established. The integration of Reinforcement Learning (RL) for optimizing trading strategies based on predicted volatility is proposed, representing a new approach to cryptocurrency trading automation. Practical value. The research results have practical significance for cryptocurrency market participants, including investors, traders, and financial analysts. The integration of machine learning methods with traditional statistical approaches opens new opportunities for developing effective trading strategies, contributing to increased profitability and stability in the cryptocurrency market. The research is also useful for developers of trading platforms and analytical tools, as it provides empirical data for improving prediction algorithms and market data analysis.
ENG: Methods. The application of the abstraction method allowed for the isolation of volatility characteristics, simplifying the analysis of complex financial data of the cryptocurrency market. Analysis with synthesis facilitated the identification of patterns and the integration of traditional and modern forecasting approaches, providing a comprehensive assessment of methods. Logical and historical approaches enabled evolutionary analysis, while classification methods based on general and specific analysis principles, combined with comparative and abstract-logical analysis, allowed for an objective evaluation of the developed models’ effectiveness and justified the feasibility of developing innovative solutions for optimizing trading strategies and minimizing risks. Results. The study conducted a comparative analysis of cryptocurrency market volatility prediction methods using traditional statistical approaches and modern machine learning algorithms. The results confirm the advantages of integrating classical methods with machine learning algorithms, which allow for more accurate risk assessment and optimization of trading strategies in the highly volatile cryptocurrency markets. The determined volatility can be used in conjunction with Reinforcement Learning (RL) to optimize trading strategies, allowing an agent to learn to make decisions in an environment to maximize cumulative reward. The use of RL in cryptocurrency trading is a promising direction but requires a cautious approach and thorough testing of strategies before their application in real trading.Novelty. The scientific novelty lies in a comprehensive approach to forecasting cryptocurrency market volatility, combining classical statistical methods with modern machine learning algorithms. The advantages of ensemble machine learning methods for analyzing cryptocurrency volatility have been established. The integration of Reinforcement Learning (RL) for optimizing trading strategies based on predicted volatility is proposed, representing a new approach to cryptocurrency trading automation. Practical value. The research results have practical significance for cryptocurrency market participants, including investors, traders, and financial analysts. The integration of machine learning methods with traditional statistical approaches opens new opportunities for developing effective trading strategies, contributing to increased profitability and stability in the cryptocurrency market. The research is also useful for developers of trading platforms and analytical tools, as it provides empirical data for improving prediction algorithms and market data analysis.
Description
В. Козенкова: ORCID 0000-0003-4159-4610; А. Мовсесянц: ORCID 0009-0006-2491-9275
Keywords
волатильність, криптовалюта, прогнозування, методи машинного навчання, GARCH, LSTM, Random Forest, Reinforcement Learning, volatility, cryptocurrency, prediction, machine learning method, КУА
Citation
Козенкова В. Д., Мовсесянц А. М. Сучасні методи прогнозування волатильності ринків криптовалют. Економічний вісник Дніпровської політехніки. 2025. № 1 (99). С. 98–109. DOI: https://doi.org/10.33271/ebdut/89.098.