Оптимизация стратегии покупок на рынках криптовалют на основе искусственных нейронных сетей
- Авторы: Савостьянов А.В.1, Гринева Н.В.1
-
Учреждения:
- Финансовый университет при Правительстве Российской Федерации
- Выпуск: Том 20, № 1 (2024)
- Страницы: 141-147
- Раздел: Математические, статистические и инструментальные методы в экономике
- URL: https://bakhtiniada.ru/2541-8025/article/view/284311
- EDN: https://elibrary.ru/UNNQIK
- ID: 284311
Цитировать
Аннотация
Исследование актуально в контексте современных финансов, где нейронные сети играют ключевую роль в анализе и прогнозировании динамики цен. Работа фокусируется на выявлении сигналов на покупку для торговых пар BTCUSDT и ETHUSDT на рынке криптовалют. Для построения модели нейронной сети, которая позволит автоматизировать выявление моментов выгодных для покупки выбранных активов, использовались различные индикаторы технического анализа и сверточные нейронные сети (CNN). Исследование включает анализ научной литературы, сбор данных, выбор индикаторов, разработку сигнального алгоритма и построение моделей нейронных сетей. Основной вклад работы заключается в разработке и апробации моделей, способных с высокой точностью предсказывать сигналы на покупку, что подтверждается показателями accuracy более 92%. Результаты исследования могут быть полезны для частных инвесторов и финансовых учреждений в формировании инвестиционных стратегий на основе машинного обучения.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Александр Васильевич Савостьянов
Финансовый университет при Правительстве Российской Федерации
Автор, ответственный за переписку.
Email: s.aleks-02@mail.ru
факультет информационных технологий и анализа больших данных
Россия, г. МоскваНаталья Владимировна Гринева
Финансовый университет при Правительстве Российской Федерации
Email: ngrineva@fa.ru
кандидат экономических наук, доцент, доцент кафедры анализа данных и машинного обучения
Россия, г. МоскваСписок литературы
- Omer Berat Sezer, Murat Ozbayoglu Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach [Electronic resource], DOI: https://doi.org/10.1016/j.asoc.2018.04.024.
- Omer Berat Sezer, Murat Ozbayoglu, Erdogan Dogdu An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework // ACM SE '17: Proceedings of the SouthEast Conference, DOI: https://doi.org/10.1145/3077286.3077294.
- Binance API Documentation [Электронный ресурс], URL: https://binance-docs.github.io/apidocs.
- Stock Statistics / Indicators Calculation Helper [Электронный ресурс], URL: https://pypi.org/project/stockstats.
- Chuen Yik Kang, Chin-Poo Lee, Kian Ming Lim Convolutional Cryptocurrency Price Prediction with Convolutional Neural Network and Stacked Gated Recurrent Unit [Electronic resource], DOI: https://doi.org/10.3390/data7110149.
- Keiron O'Shea and Ryan Nash An Introduction to Convolutional Neural Networks // Arxiv. —2015.Aurélien Géron Hands-On Machine Learning with Scikit-Learn & TensorFlow [Electronic resource], URL: https://prognoztech.com/resources/content/Hand-on-ML.pdf.
- Коротеев М.В. Учебное пособие по дисциплине «Машинное обучение» —2023 [Электронный ресурс], URL: http://elib.fa.ru/rbook/books137315.pdf.
- Savostyanov A., Grineva N., Stroeva E. FORECASTING TIME SERIES OF FINANCIAL INDICATORS USING ARTIFICIAL NEURAL NETWORKS // In the collection: Management of large-scale system development. Vol. CFP23GAE-ART, 2023. № 125, EDN: DBWWUQ, doi: 10.1109/MLSD58227.2023.10304040.
- Савостьянов А.В., Гринева Н.В., Строева Е.Н. Применение нейронных сетей для оценки траектории развития финансовых рынков //В сборнике: Управление развитием крупномасштабных систем (MLSD'2023). Труды Шестнадцатой международной конференции. Москва, 2023. С. 803–809. EDN: FXDBUE, doi: 10.25728/mlsd.2023.0803.
- Гринева Н.В. Построение нейронной сети для прогнозирования цены опциона. // Проблемы экономики и юридической практики. 2022. Т. 18. № 5. С. 190–199. EDN: QKLZVC.
Дополнительные файлы
