Оптимизация стратегии покупок на рынках криптовалют на основе искусственных нейронных сетей

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

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.

Об 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. Москва

Наталья 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. Москва

Список литературы

  1. 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.
  2. 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.
  3. Binance API Documentation [Электронный ресурс], URL: https://binance-docs.github.io/apidocs.
  4. Stock Statistics / Indicators Calculation Helper [Электронный ресурс], URL: https://pypi.org/project/stockstats.
  5. 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.
  6. 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.
  7. Коротеев М.В. Учебное пособие по дисциплине «Машинное обучение» —2023 [Электронный ресурс], URL: http://elib.fa.ru/rbook/books137315.pdf.
  8. 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.
  9. 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.
  10. 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

Доп. файлы
Действие
1. JATS XML
2. Рис. 1.Графическое представление работы технических индикаторов для пары ETHUSDT.

Скачать (80KB)
3. Рис. 2.Графическое представление работы технических индикаторов для пары BTCUSDT.

Скачать (79KB)
4. Рис. 3.Архитектура свёрточной нейронной сети.

Скачать (119KB)
5. Рис. 4.Сравнение реальных и предсказанных классов для картинок, для пары BTCUSDT.

Скачать (184KB)
6. Рис. 5.Сравнение реальных и предсказанных классов для картинок, для пары ETHUSDT.

Скачать (188KB)


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».