Shadow Economy

Теневая экономика

2541-7681

BIBLIO-GLOBUS Publishing House

122434

10.18334/tek.8.4.122434

QXZYAC

Articles

Статьи

Research Article

Cryptocurrency price prediction with the help of artificial intelligence technologies

Прогнозирование цены криптовалюты с использованием технологий искусственного интеллекта

Pomulev

Aleksandr Aleksandrovich

Помулев

Александр Александрович

Кафедра корпоративных финансов и корпоративного управления, кандидат экономических наук, доцент, доцент

me@pomulev.ru

The Financial University under the Government of the Russian Federation Финансовый университет при Правительстве Российской Федерации

24 12 2024

8 4

VOL 8, NO4 (2024)

ТОМ 8, №4 (2024)

347 362 10 12 2024 24 12 2024

2024

Pomulev A.A.

Помулев А.А.

https://1economic.ru/lib/122434

The article discusses the practical aspects of applying neural network technologies to predict the price of cryptocurrencies on the example of bitcoin. The relevance of the topic is due to the dynamic development of the digital asset market and the high volatility of cryptocurrencies, which requires the creation of new tools for analyzing and predicting their prices. To predict the price of bitcoin over a ten-day horizon, the architecture of a recurrent LSTM neural network has been developed. The model's mean absolute error (MAE) was $2,993.9. The model's ability to approximate the R2 metric is 0.94, which indicates its good quality. The developed model can achieve high predictive accuracy compared to traditional statistical methods and has a high potential for automating trading strategies and risk management in the cryptocurrency market.

В статье рассматриваются практические аспекты применения нейросетевых технологий в целях прогнозирования цены криптовалюты на примере биткоина. Актуальность темы обусловлена динамичным развитием рынка цифровых активов и высокой волатильностью криптовалют, что требует создания новых инструментов для анализа и прогнозирования цен на них. Разработана архитектура рекуррентной LSTM-нейронной сети, позволяющая прогнозировать цену биткоина на горизонте 10 дней. Средняя абсолютная ошибка (MAE) модели составила 2993.9 долларов. Способность модели к аппроксимации по метрике R2 составляет 0,94, что свидетельствует о ее хорошем качестве. Разработанная модель позволяет достичь высокой точности прогнозирования в сравнении с традиционными статистическими методами и имеет высокий потенциал для автоматизации торговых стратегий и управления рисками на криптовалютном рынке

cryptocurrency shadow economy bitcoin neural network machine learning

криптовалюта теневая экономика биткоин нейронная сеть машинное обучение

1. Безпалов В. В., Бондаренко В. В. Теневой сектор и возможности применения технологии блокчейн в целях его снижения // Sciences of Europe. – 2021. – № 68. – c. 24-30. – doi: 10.24412/3162-2364-2021-68-2-24-30.

2. Yahoo! Finance's API. Библиотека yfinance на Python. [Электронный ресурс]. URL: https://pypi.org/project/yfinance/ (дата обращения: 06.12.2024).

3. Библиотека для работы с нейронными сетями Keras. [Электронный ресурс]. URL: https://keras.io/api/layers/ (дата обращения: 06.12.2024).

4. Библиотека машинного обучения на Python sklearn. [Электронный ресурс]. URL: https://scikit-learn.org/stable/index.html (дата обращения: 06.12.2024).

5. Добрина М.В., Стрекалова Д.С. Прогнозирование цены закрытия акций в Python // Экономическое прогнозирование: модели и методы: Материалы XVII Международной научно-практической конференции, Воронеж, 22–23 декабря 2021 года. Воронежский государственный университет. Воронеж: Воронежский государственный университет. Воронеж, 2022. – c. 109-112.

6. Как сегодня отмывают деньги через блокчейн. 2023. [Электронный ресурс]. URL: https://tenchat.ru/media/1483793-kak-segodnya-otmyvayut-dengi-cherez-blokcheyn (дата обращения: 06.12.2024).

7. Крис Э. Машинное обучение с использованием Python. / Сборник рецептов. - Петербург: БХВ, 2022. – 384 c.

8. Помулев А.А. Цифровая валюта – инструмент противодействия теневой экономической деятельности? // Теневая экономика. – 2021. – № 4. – c. 267-274. – doi: 10.18334/tek.5.4.113746.

9. Торговая техника RSI Deep Three Move. [Электронный ресурс]. URL: https://www.mql5.com/ru/articles/12846 (дата обращения: 06.12.2024).

10.

10. Ali A.I., Bilal N.S., Marwa A.F. Forecasting Stock Prices with an Integrated Approach Combining ARIMA and Machine Learning Techniques ARIMAML // Journal of Computer and Communications. – 2023. – № 11. – p. 58-70. – doi: 10.4236/jcc.2023.118005.

11.

11. Almasri E., Arslan E. Predicting Cryptocurrencies Prices with Neural Networks // 2018 6th International Conference on Control Engineering amp; Information Technology (CEIT). 2018. – p. 1-5.– doi: 10.1109/CEIT.2018.8751939.

12.

12. Alonso-Monsalve S., Suárez-Cetrulo A.L., Cervantes A., Quintana D. Convolution on neural networks for high-frequency trend prediction of cryptocurrency exchange rates using technical indicators // Expert Systems with Applications. – 2020. – p. 113250. – doi: 10.1016/j.eswa.2020.113250.

13.

13. Chen C., Xue L., Xing W. Research on Improved GRU-Based Stock Price Prediction Method // Applied Sciences. – 2023. – № 13. – p. 8813. – doi: 10.3390/app13158813.

14.

14. Gülmez B. Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm // Expert Systems with Applications. – 2023. – № 227. – p. 120346.

15.

15. Hang L., Liu D., Xie F. A Hybrid Model Using PCA and BP Neural Network for Time Series Prediction in Chinese Stock Market with TOPSIS Analysis // Scientific Programming. 2023. – p. 1-15.– doi: 10.1155/2023/9963940.

16.

16. Jeevan В., Naresh E., Kumar B.P., Kambli P. Share Price Prediction using Machine Learning Technique // In: 3rd International Conference on Circuits, Control, Communication and Computing (I4C). Bangalore. India. Bangalore, 2018. – p. 1-4.– doi: 10.1109/CIMCA.2018.8739647.

17.

17. Karthikeyan C, Anselin Nisha S., Anandan P., Prabha R., Mohan D., Vijendra Babu D. Predicting Stock Prices Using Machine Learning Techniques // In: 6th International Conference on Inventive Computation Technologies (ICICT). Coimbatore. India. Coimbatore, 2021. – p. 1-5.– doi: 10.1109/ICICT50816.2021.9358537.

18.

18. Lakshmi, M., Karthick T., Sornalakshmi K, Sangeetha M. Cryptocurrency Price Prediction Using LSTM Neural Networks // International Conference on Recent Trends in Data Science and its Applications. 2023.– doi: 10.13052/rp-9788770040723.130.

19.

19. Li Q., Kamaruddin N., Al-Jaifi H.A. Forecasting Stock Prices Changes Using Long-Short Term Memory Neural Network with Symbolic Genetic Algorithm. Research Square. 2023. DOI: 10.21203/rs.3.rs-3284486/v1

20.

20. Livieris I.E., Kiriakidou N., Stavroyiannis S., Pintelas P. An Advanced CNN-LSTM Model for Cryptocurrency Forecasting // Electronics. – 2021. – № 10. – p. 287. – doi: 10.3390/electronics10030287.

21.

21. Low P.R., Sakk E. Comparison between autoregressive integrated moving average and long short term memory models for stock price prediction IAES // International Journal of Artificial Intelligence (IJ-AI). – 2023. – № 12. – p. 1828-1835. – doi: 10.11591/ijai.v12.i4.pp1828-1835.

22.

22. Radityo A., Munajat Q., Budi I. Prediction of Bitcoin exchange rate to American dollar using artificial neural network methods // International Conference on Advanced Computer Science and Information Systems (ICACSIS). 2017.– doi: 10.1109/ICACSIS.2017.8355070.

23.

23. Sarkar M., Pratima M. N., Darshan R., Chakraborty D., Agrebi M. An Intelligent Model for Identifying Fluctuations in the Stock Market and Predicting Investment Policies with Guaranteed Returns // Internet of Things. 2023. – p. 91-115.– doi: 10.1007/978-3-031-33808-3_6.

24.

24. Shet A., Ashika S, Hanumanth D.N, Shetty S., Ranganatha K. Stock price prediction using machine learning // International Journal of Engineering Applied Sciences and Technology. – 2022. – № 7. – p. 225-228. – doi: 10.33564/ijeast.2022.v07i02.034.