Прогнозирование высоковолатильных активов на примере анализа динамики криптовалют

Журнал «KANT» №4(57) 2025 [стр. 63-71]

DOI: https://doi.org/10.24923/2222-243X.2025-57.10

Авторы: Ладынин Андрей Иванович, доктор экономических наук, доцент, Институт кибербезопасности и цифровых технологий SPIN-код: 8762-8534 ORCID: 0000-0001-7659-2581, Ларичев Иван Сергеевич, магистрант, Институт перспективных технологий и индустриального программирования, iМИРЭА - Российский технологический университет, Москва

Ключевые слова: инвестиционный портфель; криптовалюта; машинное обучение; модель ARIMA; модель Хольта-Винтерса; рекуррентные нейронные сети; оптимизация инвестиций.

Цитировать: Ладынин А.И., Ларичев И.С. Прогнозирование высоковолатильных активов на примере анализа динамики криптовалют // KANT. – 2025. – №4(57). – С. 63-71. EDN: DQKNEU. DOI: https://doi.org/10.24923/2222-243X.2025-57.10

В работе рассмотрена проблема прогнозирования динамики криптовалютных активов в условиях высокой волатильности рынка. Цель исследования – разработка подходов к прогнозированию криптовалютных активов и их ограничений в условиях высокой рыночной волатильности. В статье представлен анализ ограничений классических эконометрических модели моделей ARIMA и Хольта-Винтерса при работе с нестационарными временными рядами на примере криптовалют. Научная новизна заключается в предложении гибридного подхода, основанного на сравнительном анализе эффективности статистических методов и архитектуры рекуррентных нейронных сетей с использованием механизма конкурентного тестирования моделей. В результате выявлены следующие закономерности: рекуррентные нейронные сети демонстрируют повышенную точность при прогнозировании временных рядов со сложными нелинейными зависимостями, в то время как классические модели сохраняют эффективность для активов с выраженной сезонной компонентой. Экспериментальная проверка на данных криптовалютных пар BTC/USDT и ETH/USDT подтвердила целесообразность ситуативного выбора прогнозных алгоритмов в зависимости от характеристик конкретного актива. Полученные результаты обосновывают практическую значимость гибридного подхода для повышения точности прогнозов на высоковолатильных рынках цифровых активов.

скачать

Литература:
1. Альчаков В.В. Оценка методов машинного обучения для прогнозирования сезонных временных рядов / В.В. Альчаков, В.А. Крамарь // Известия ЮФУ. Технические науки. – 2023. – №2(232). – С. 250-263. DOI 10.18522/2311-3103-2023-2-250-263.
2. Бичурин Э.В., Рисун М.И., Формирование инвестиционного портфеля с применением методов машинного обучения // Финансовая экономика. – 2025. – №8. – С. 101-104.
3. Городецкая О.Ю. Прогнозирование финансовых рынков с использованием сверточной нейронной сети / О.Ю. Городецкая, Я.Л. Гобарева, А.В. Медведев // Проблемы экономики и юридической практики. – 2021. – Т. 17, №3. – С. 65-72.
4. Звягин Л.С. Цифровая экономика и криптовалюты: вызов или угроза традиционному обществу / Л.С. Звягин // E-Management. – 2018. – Т. 1, №2. – С. 80-92. DOI 10.26425/2658-3445-2018-2-80-92.
5. Ильичев Д.А. Исследование методов прогнозирования временных рядов на примере изменения цен криптовалют / Д.А. Ильичев, Н.Д. Суворов, В.В. Мокшин // Kazan digital week – 2024: сб. ст. Международного форума, Казань, 09-11 сентября 2024 года. – Казань: Научный центр безопасности жизнедеятельности, 2024. – С. 267-274.
6. Кратович П.В. Нейронные сети и модели ARIMA для прогнозирования котировок // Программные продукты и системы. – 2011. – №1. – С. 95-98.
7. Кокурин И.Д. Криптовалютные биржи и их роль в Российской экономике: оценка рисков и потенциала / Д.И. Кокурин, И.Н. Дубовицкий, М.З. Кумелашвили, В.В. Блекус // Вестник ГГУ. – 2025. – №3. – С. 536-550.
8. Ладынин А.И. Прогнозирование краткосрочных индикаторов экономической безопасности с использованием алгоритмов адаптивной фильтрации временных рядов / А.И. Ладынин, Е.С. Митяков // Развитие и безопасность. – 2021. – №1(9). – С. 42-54. DOI 10.46960/2713-2633_2021_1_42.
9. Латынина К.Р. Перспективы криптовалют в инвестиционном портфеле / К.Р. Латынина, Н.Ш. Козлова // Студент и наука. – 2019. – №4(11). – С. 13-16.
10. Миронова И.С. Исследование механизмов ценообразования цифровых активов на примере криптовалют / И.С. Миронова, В.В. Коротких, С.В. Ермоленко // Современная экономика: проблемы и решения. – 2022. – №6(150). – С. 32-43. DOI 10.17308/meps/2078-9017/2022/6/32-43.
11. Митрюхина Е.А. Применение машинного обучения и статистических методов в краткосрочной биржевой торговле / Е.А. Митрюхина, Д.А. Кудинов, А.Д. Жуков // KANT. – 2025. – №1(54). – С. 114-122. DOI 10.24923/2222-243X.2025-54.17.
12. Мицель А.А., Викторенко Е.В. Динамическая модель управления BSF-портфелем без ограничений // Russian Technological Journal. – 2025. – №13(2). – С. 93-110. https://doi.org/10.32362/2500-316X-2025-13-2-93-110.
13. Панова Г.С. Риски инвестирования в криптовалюты / Г. С. Панова // Банковские услуги. – 2022. – №7. – С. 19-24. DOI 10.36992/2075-1915_2022_7_19.
14. Althelaya K.A., El-Alfy E.S.M., Mohammed S. Evaluation of bidirectional LSTM for short-and long-term stock market prediction // 2018 9th international conference on information and communication systems (ICICS). – IEEE, 2018. – С. 151-156.
15. Gers F.A., Schmidhuber J., Cummins F. Learning to forget: Continual prediction with LSTM // Neural Computation. – 2000. – №12(10). – Pp. 2451-2471. DOI: 10.1162/089976600300015015

Volatile assets forecasting methods: cryptocurrency price dynamics analysis

Authors: Ladynin Andrey Ivanovich, DSc of Economics, Associate Professor, Informatics Department, Cybersecurity and Digital Technologies Institute, Larichev Ivan Sergeevich, Undergraduate student, Advanced Technologies and Industrial Programming Institute, MIREA – Russian Technological University. Moscow

Keywords: investment portfolio; cryptocurrency; machine learning; ARIMA model; Holt-Winters model; recurrent neural networks; investments optimization.

The study examines the problem of forecasting the dynamics of cryptocurrency assets in conditions of high market volatility. The purpose of the study is to develop an adaptive forecasting approach for cryptocurrency assets under high volatility conditions. The study focuses on traditional econometric models limitations analysis, particularly ARIMA and Holt-Winters, when applied to non-stationary cryptocurrency time series. The scientific novelty lies in proposing a hybrid approach that combines statistical methods comparative analysis and recurrent neural network architectures through competitive model selection. The research presents an approach, allowing to choose best forecasting algorithm for cryptocurrency pairs based on their specific characteristics. Experimental verification using BTC/USDT and ETH/USDT trading data revealed distinct performance patterns: recurrent neural networks demonstrate effectiveness in capturing complex nonlinear dependencies, while statistical models maintain superiority for assets with pronounced seasonality. As a result, the study identifies applicability conditional boundaries for different model classes in cryptocurrency forecasting. The obtained results confirm context-dependent model selection viability and provide foundations for developing adaptive forecasting systems tailored to specific cryptocurrency market segments.