Інтелектуальна система прогнозування цін криптовалют на основі рекурентних нейронних мереж

Abstract

Актуальність даного дослідження полягає у необхідності знайти правильний підхід до прогнозування цін криптоактивів за допомогою використання рекурентних нейронних мереж. Недостатня точність сучасних підходів підвищує актуальність до вирішення даного питання. Об’єктом дослідження є процес прогнозування цін криптовалют з використанням рекурентинх нейронних мереж. Предметом дослідження є математичні моделі, методи машинного навчання та інформаційні технології, що використовуються для прогнозування. Метою дослідження є розробка інтелектуальної системи прогнозування цін на основі рекурентних нейронних мереж, що забезпечить високу точність передбачення. В результаті виконання роботи було досліджено кілька архітектур на базі рекурентих нейронних мереж (LSTM, GRU) та експериментальним шляхом порівняно результати ефективності всіх архітектур. Отримано навчену модель на основі архітектури LSTM, що враховує багатофакторний вплив різних показників ринку та має високу точність прогнозування. Дана робота складається з трьох розділів. Кожен розділ відповідно присвячений: аналізу предметної області; інформаційним технологіям для прогнозування цін; проєктуванню системи, її побудові, збору даних та аналізу результатів. Загальний обсяг роботи – 92 сторінок. Кваліфікаційна робота містить 4 додатки, 52 рисунки, 1 таблицю і 45 джерел посилання. The relevance of this research lies in the need to find the right approach to forecasting the prices of cryptoassets using recurrent neural networks. The lack of accuracy of modern approaches increases the urgency of solving this issue. The object of the research is the process of forecasting the prices of cryptocurrencies using recurrent neural networks. The subject of research is mathematical models, machine learning methods and information technologies used for forecasting. The purpose of the research is to develop an intelligent price forecasting system based on recurrent neural networks, which will ensure high prediction accuracy. Because of the work, several architectures based on recurrent neural networks (LSTM, GRU) were investigated and the results of the effectiveness of all architectures were experimentally compared. A trained model based on the LSTM architecture is obtained, which takes into account the multifactorial influence of various market indicators and has high forecasting accuracy. This work consists of three sections. Each section is respectively devoted to: analysis of the subject area; information technologies for price forecasting; system design, its construction, data collection and analysis of results. The total volume of work is 91 pages. The qualification work contains 4 appendices, 52 pictures, 1 table and 45 reference sources.