ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Моделі аналізу динаміки ринку криптовалют з урахуванням поведінкових метрик стейкхолдерів за даними соціальних мереж
Гур’янова Л. С., Луценко Р. Р.

Гур’янова Л. С., Луценко Р. Р. Моделі аналізу динаміки ринку криптовалют з урахуванням поведінкових метрик стейкхолдерів за даними соціальних мереж. Бізнес Інформ. 2024. №9. C. 129–138.
https://doi.org/10.32983/2222-4459-2024-9-129-138

Розділ: Інформаційні технології в економіці

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 330.4:519.8

Анотація:
Використання методів інтелектуального аналізу даних у контексті поведінкової економіки віртуальних активів на основі даних соціальних мереж дозволяють більш точно оцінювати цінові рухи криптовалют. У дослідженні побудовано моделі прогнозування цін на ринку криптовалют з урахуванням поведінкових факторів стейкхолдерів на основі соціальних даних із платформи TikTok. Дані для цього дослідження отримані за допомогою прикладних програмних інтерфейсів соціальних мереж. Основні етапи дослідження включали збір даних, їх обробку та агрегацію, масштабування та кореляційний аналіз, побудову та оцінку моделей. У результаті дослідження визначено ключові поведінкові метрики соціальних мереж. Кореляційний аналіз продемонстрував наявність сильних лінійних зв’язків між соціальними показниками TikTok та слабкі зв’язки із ціною біткоїна. У дослідженні побудовані лінійні моделі, поліноміальна регресія, дерево рішень та «випадковий ліс». Використані такі поведінкові метрики, як кількість публікацій, лайків, коментарів, поширень і переглядів. Проведено оцінку моделей шляхом тестування за допомогою метрик MSE і MAE. Результати свідчать про обмежену ефективність лінійної регресії для прогнозування цін на криптовалюти через нелінійну природу ринку. Модель дерева рішень продемонструвала певний успіх у прогнозуванні цін на біткоїн, проте зросли відхилення у прогнозах з часом, особливо в умовах ринкових коливань. Поліноміальна регресія і модель «випадкового лісу» демонструють вищу точність у прогнозах. На основі порівняння показників MSE і MAE «випадковий ліс» виявився найефективнішою моделлю для прогнозування цін біткоїна серед розглянутих.

Ключові слова: криптовалюти, патерни поведінки, API (application programming interface), соціальні мережі, машинне навчання, поведінкова економіка, моделі прогнозування.

Рис.: 6. Бібл.: 15.

Гур’янова Лідія Семенівна – доктор економічних наук, професор, професор, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]
Луценко Ростислав Русланович – аспірант, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]

Список використаних у статті джерел

Raheman A., Kolonin A., Fridkins I. et al. Social Media Sentiment Analysis for Cryptocurrency Market Prediction. 2022. arXiv preprint. arXiv:2204.10185. DOI: https://doi.org/10.48550/arXiv.2204.10185
Wolk K. Advanced social media sentiment analysis for short-term cryptocurrency price prediction. Expert Systems. 2019. Vol. 37. Iss. 2. DOI: https://doi.org/10.1111/exsy.12493
Кононова К. Ю., Дек А. О. Дослідження поведінкових особливостей трейдерів: поєднання методів експериментальної економіки та технологій машинного навчання. Нейро-нечіткі технології моделювання в економіці. 2018. № 7. С. 148–167. DOI: https://doi.org/10.33111/nfmte.2018.148
Chokor A., Alfieri E. Long and Short-Term Impacts of Regulation in the Cryptocurrency Market. The Quarterly Review of Economics and Finance. 2021. Vol. 81. P. 157–173. DOI: https://doi.org/10.1016/j.qref.2021.05.005
Erdogan M. C., Canayaz M. Crypto-Currency Sentiment Analysis on Social Media. In Proceedings of the International Conference on Data Analysis and Processing (IDAP). Malatya, Turkey. 28–30 September 2018. DOI: https://doi.org/10.1109/IDAP.2018.8620724
Guidi B., Michienzi A. Bitcoin Price Variation: An Analysis of the Correlations. In: Euro-Par 2019 Workshops. Springer, 2020. P. 429–441. DOI: https://doi.org/10.1007/978-3-030-48340-1_33
Derbentsev V., Matviychuk A., Soloviev V. Forecasting of Cryptocurrency Prices Using Machine Learning. In: Advanced Studies of Financial Technologies and Cryptocurrency Markets. Springer. 2020. P. 211–231. DOI: https://doi.org/10.1007/978-981-15-4498-9_12
Zhang C., Li W., Zhang H., Zhan T. Recent Advances in Intelligent Data Analysis and Its Applications. Electronics. 2024. Vol. 13. No. 1. Art. 226. DOI: https://doi.org/10.3390/electronics13010226
Mudassir M., Bennbaia S., Unal D., Hammoudeh M. Time-series forecasting of Bitcoin prices using high-dimensional features: a machine learning approach. Neural Computing and Applications. 2020. Vol. 32. Iss. 20. P. 15869–15888. DOI: https://doi.org/10.1007/s00521-020-05129-6
Могильна М. В., Дубровін В. І. Інтелектуальний аналіз тексту: застосуваннята безкоштовні програмні засоби. Прикладні питання математичного моделювання. 2022. Т. 5. № 2. С.41–49. DOI: https://doi.org/10.32782/mathematical-modelling/2022-5-2-5
Chaudhary D., Saroj S. K. Cryptocurrency Price Prediction Using Machine Learning Algorithms. Advances in Distributed Computing and Artificial Intelligence Journal. 2023. Vol. 12. No. 1. DOI: https://doi.org/10.14201/adcaij.31490
Valencia F., Gomez-Espinosa A., Valdes-Aguirre B. Cryptocurrency Price Movement Prediction Using Sentiment Analysis and Machine Learning. Entropy. 2019. Vol. 21. Iss. 6. Art. 589. DOI: https://doi.org/10.3390/e21060589
Tanwar S., Patel N. P., Patel S. N. et al. Deep Learning-Based Cryptocurrency Price Prediction Scheme with Inter-Dependent Relations. IEEE Access. 2021. Vol. 9. P. 138633–138646. DOI: https://doi.org/10.1109/ACCESS.2021.3117848
Murray K., Rossi A., Carraro D., Visentin A. Cryptocurrency Price Prediction: A Comparison of Machine Learning, Deep Learning, and Ensemble Methods. Forecasting. 2023. Vol. 5. Iss. 1. P. 196–209. DOI: https://doi.org/10.3390/forecast5010010
Луценко Р. Р. Прикладний програмний інтерфейс як метод моніторингу даних соціальних мереж для досліджень у поведінковій економіці. Бізнес Інформ. 2024. № 8. С. 133–141. DOI: https://doi.org/10.32983/2222-4459-2024-8-133-141

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру