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://journals.eco-vector.com/2541-8025/article/view/633378
- EDN: https://elibrary.ru/UNNQIK
- ID: 633378
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или 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.
Ключевые слова
Полный текст
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. 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
