Ученые разработали алгоритм прогнозирования динамики криптовалютных котировок
Сотрудниками факультета «Информационные технологии» МТУСИ, д.т.н., профессором Юрием Леохиным и к.т.н., доцентом Тимуром Фатхулиным, разработан алгоритм прогнозирования динамики криптовалютных котировок, характеризующийся высокой степенью точности. Об этом CNews сообщили представители МТУСИ.
Актуальность данной разработки обусловлена растущей потребностью в высокоточном прогнозировании числовых рядов, характеризующихся значительной волатильностью, в различных прикладных областях, в особенности в экономической сфере. Прогнозирование трендов рынка криптовалют представляет собой одну из наиболее сложных и востребованных задач в контексте цифровизации финансов. Вопросы регулирования и использования цифровых активов находятся в зоне пристального внимания Правительства России. Высокая волатильность таких криптоактивов, как Bitcoin и Ethereum, генерирует значительный интерес со стороны инвесторов, одновременно создавая серьезные вычислительные проблемы для анализа из-за нестационарной и сложной природы их рынков.
Для решения этой задачи ученые МТУСИ создали программный комплекс на основе искусственных нейронных сетей. В ходе работы был проведен сравнительный анализ архитектур, наиболее применимых для задач временного ряда: Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), их гибридной комбинации (GRU-LSTM) и временной сверточной сети (Temporal Convolutional Network — TCN). Выбор данных архитектур обусловлен их спецификой: LSTM-сети эффективно охватывают долгосрочные нелинейные зависимости во временных данных, тогда как GRU предлагает более компактную вычислительную модель. TCN, в свою очередь, была рассмотрена как перспективная альтернатива, использующая расширенную свертку для увеличения рецептивного поля без пропорционального роста вычислительной нагрузки.
Экспериментальная реализация моделей выполнена в среде Google Colab с использованием фреймворка TensorFlow 2.15 для Python 3.11. Для обеспечения высокой скорости обработки данных задействован графический ускоритель T4. В качестве оптимизатора применялся алгоритм Adam, известный свойством адаптивной скорости обучения и быстрой сходимости. Обучающая выборка, содержащая более 2200 записей исторических котировок, начиная с 2015 г., была сформирована на основе данных портала Investing.com.
Ключевым этапом исследования стало сравнительное тестирование производительности моделей с вариацией их гиперпараметров. В качестве объективной метрики точности прогноза использовалась среднеквадратическая ошибка (Mean Squared Error — MSE). Наименьшие значения MSE были продемонстрированы алгоритмом, основанным на гибридном подходе с использованием LSTM и GRU, что свидетельствует о его минимальном отклонении от реальных значений и является значимым конкурентным преимуществом разработки.
Полученные результаты позволяют сформулировать рекомендации для дальнейшего совершенствования методов прогнозирования на финансовых рынках, открывая перспективы для создания более эффективных аналитических инструментов.
