ПОРІВНЯЛЬНИЙ АНАЛІЗ ЕФЕКТИВНОСТІ НЕЙРОННИХ МЕРЕЖ ТА АНСАМБЛЕВИХ МЕТОДІВ У ПРОГНОЗУВАННІ ЦІН КРИПТОВАЛЮТ
DOI:
https://doi.org/10.20535/2307-5651.32.2025.328561Ключові слова:
криптовалюти, прогнозування цін, машинне навчання, нейронні мережі, ансамблеві методи, LSTM, RNN, XGBoost, Random ForestАнотація
У статті проведено порівняльний аналіз ефективності різних методів машинного навчання для прогнозування цін криптовалют. Дослідження охоплює шість популярних криптовалют: Bitcoin, Ethereum, Binance Coin, Cardano, Ripple та Litecoin. Для прогнозування використано рекурентні нейронні мережі (RNN, LSTM) та ансамблеві методи (XGBoost, Random Forest). Дані були зібрані за період з 1 січня 2021 року по 17 лютого 2025 року, а для оцінки точності моделей застосовано метрики RMSE, MAE та MAPE. Результати показали, що LSTM демонструє найкращу точність для Bitcoin та Binance Coin, тоді як ансамблеві методи (XGBoost та Random Forest) виявилися ефективнішими для Ethereum та Litecoin. Для Cardano та Ripple найкращі результати показала модель RNN. Дослідження підтвердило, що вибір моделі для прогнозування цін криптовалют має враховувати специфіку кожного активу, зокрема його волатильність та історичну динаміку. Стаття пропонує рекомендації щодо вибору оптимальних методів для прогнозування цін криптовалют, що може бути корисним для інвесторів та учасників ринку цифрових активів.
Посилання
Jin C, Li Y. Cryptocurrency Price Prediction Using Frequency Decomposition and Deep Learning. Fractal and Fractional. 2023. No. 7(10). DOI: https://doi.org/10.3390/fractalfract7100708
Kiranmai Balijepalli, N.S.S. and Thangaraj, V. Prediction of cryptocurrency’s price using ensemble machine learning algorithms. European Journal of Management and Business Economics, 2025. Vol. ahead-of-print No. ahead-of-print. DOI: https://doi.org/10.1108/EJMBE-08-2023-0244
Lean Yu, Shouyang Wang, Kin Keung Lai. Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm. Energy Economics, 2008, Vol. 30, Is. 5, P. 2623-2635. DOI: https://doi.org/10.1016/j.eneco.2008.05.003
Ahmed Bouteska, Mohammad Zoynul Abedin, Petr Hajek, Kunpeng Yuan. Cryptocurrency price forecasting – A comparative analysis of ensemble learning and deep learning methods. International Review of Financial Analysis. 2024. Vol. 92. DOI: https://doi.org/10.1016/j.irfa.2023.103055
Kleban, Y., Stasiuk, T. Crypto Currency Price Forecast: Neural Network Perspectives. Visnyk of the National Bank of Ukraine, 2022. No. 254, P. 29-42. DOI: https://doi.org/10.26531/vnbu2022.254.03
Nandan S & Usha Sree R. Cryptocurrency Price Prediction using Machine Learning. 2024. DOI: https://doi.org/10.48175/IJARSCT-22530
Wen, Ng & Ling, Lew. Evaluation of Cryptocurrency Price Prediction Using LSTM and CNNs Models. JOIV : International Journal on Informatics Visualization. 2023. No. 7. DOI: https://doi.org/10.30630/joiv.7.3-2.2344
Omole, O., Enke, D. Deep learning for Bitcoin price direction prediction: models and trading strategies empirically compared. Financ Innov. Vol. 10, Is. 117 (2024). DOI: https://doi.org/10.1186/s40854-024-00643-1
D Siddharth, Jitendra Kaushik. Cryptocurrency Price Prediction Using Deep Learning and Machine Learning. 2022. URL: https://easychair.org/publications/preprint/4SV7
Jatoth C, Jain R, Fiore U, Chatharasupalli S. Improved Classification of Blockchain Transactions Using Feature Engineering and Ensemble Learning. Future Internet. 2022. No. 14(1). DOI: https://doi.org/10.3390/fi14010016
Allaire J, Chollet F. keras: R Interface to 'Keras'. R package version 2.15.0. 2024. URL: https://CRAN.R-project.org/package=keras
Chen T, He T, Benesty M, Khotilovich V, Tang Y, Cho H, Chen K, Mitchell R, Cano I, Zhou T, Li M, Xie J, Lin M, Geng Y, Li Y, Yuan J. xgboost: Extreme Gradient Boosting. R package version 1.7.7.1. 2024. URL: https://CRAN.R-project.org/package=xgboost
A. Liaw and M. Wiener. Classification and Regression by random Forest. R News. 2002. No. 2(3), P. 18-22. URL: https://cran.r-project.org/package=randomForest
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторські права належать авторам статей.
Розміщуючи матеріали у збірнику наукових праць, автори погоджуються з правом редакції збірника розміщувати матеріали збірника в електронному вигляді на офіційному сайті збірника та інших електронних ресурсах відповідно до законодавства України.
