Порівняльний аналіз ефективності нейронних мереж та ансамблевих методів у прогнозуванні цін криптовалют

Клебан, Ю. (Y. Kleban) and Конощук, Є. А. (Ye. Konoshchuk) (2025) Порівняльний аналіз ефективності нейронних мереж та ансамблевих методів у прогнозуванні цін криптовалют. Економічний вісник Національного технічного університету України “Київський політехнічний інститут” (№ 32). pp. 155-160.

Preview

PDF - Published Version Available under License Creative Commons Attribution. Download (798kB) | Preview

Анотація

У статті проведено порівняльний аналіз ефективності різних методів машинного навчання для прогнозування цін криптовалют. Дослідження охоплює шість популярних криптовалют: Bitcoin, Ethereum, Binance Coin, Cardano, Ripple та Litecoin. Для прогнозування використано рекурентні нейронні мережі (RNN, LSTM) та ансамблеві методи (XGBoost, Random Forest). Дані були зібрані за період з 1 січня 2021 року по 17 лютого 2025 року, а для оцінки точності моделей застосовано метрики RMSE, MAE та MAPE. Результати показали, що LSTM демонструє найкращу точність для Bitcoin та Binance Coin, тоді як ансамблеві методи (XGBoost та Random Forest) виявилися ефективнішими для Ethereum та Litecoin. Для Cardano та Ripple найкращі результати показала модель RNN. Дослідження підтвердило, що вибір моделі для прогнозування цін криптовалют має враховувати специфіку кожного активу, зокрема його волатильність та історичну динаміку. Стаття пропонує рекомендації щодо вибору оптимальних методів для прогнозування цін криптовалют, що може бути корисним для інвесторів та учасників ринку цифрових активів.
(Cryptocurrency price prediction is important for financial analysis and decision-making in the digital asset market. Cryptocurrencies are characterised by high volatility and complex dynamics, which complicates traditional forecasting methods. This study compared the effectiveness of four machine learning models for predicting the prices of six cryptocurrencies: Bitcoin, Ethereum, Binance Coin, Cardano, Ripple, and Litecoin. Recurrent Neural Networks (RNN, LSTM) and ensemble methods such as XGBoost and Random Forest were used, allowing for the assessment of their ability to predict prices based on historical data accurately. The data used for modelling was collected from January 1, 2021, to February 17, 2025, and included information on closing prices, trading volumes, and other cryptocurrency characteristics. Data normalization was applied using the min-max method to ensure the proper functioning of the models. Each cryptocurrency was predicted separately, and training and testing datasets were created to evaluate the accuracy of each model. The models were evaluated using three main metrics: RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), and MAPE (Mean Absolute Percentage Error). The results showed that all models demonstrated good prediction accuracy, but with varying levels of performance for different cryptocurrencies. For instance, LSTM models proved to be the best for Bitcoin and Binance Coin, while RNN models achieved the lowest error for Cardano and Ripple. On the other hand, for Ethereum and Litecoin, ensemble models like XGBoost and Random Forest provided the best results. The results of the study confirm the high effectiveness of both neural networks and ensemble methods for predicting cryptocurrency prices. However, further improvements in models and the combination of multiple methods could lead to even more accurate results. An additional promising direction for future research is the incorporation of other factors, such as social sentiment or news, to enhance the accuracy of predictions. These additional features could provide a more comprehensive understanding of market trends and improve forecasting performance in real-world scenarios.)

Тип файлу:	Стаття
Ключові слова:	криптовалюти, прогнозування цін, машинне навчання, нейронні мережі, ансамблеві методи, LSTM, RNN, XGBoost, Random Forest. (cryptocurrencies, price prediction, machine learning, neural networks, ensemble methods, LSTM, RNN, XGBoost, Random Forest)
Теми:	За напрямами > Математика та природничі науки Навчальні матеріали та презентації
Підрозділи:	Навчально-науковий інститут інформаційних технологій та бізнесу > Кафедра математики та інтелектуальних обчислень
Розмістив/ла:	заввідділу Наталя Денисенко
Дата розміщення:	24 Сер 2026 12:53
Остання зміна:	24 Сер 2026 12:53
URI:	https://eprints.oa.edu.ua/id/eprint/10675

Actions (login required)

Переглянути елемент

Завантаження