Статьи, Журналы
Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA
Статьи, Журналы
Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA
Синельникова-Мурылева, Е.В. Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA / Е. В. Синельникова-Мурылева, Б. А. Шканов // Экономический журнал Высшей школы экономики. — Москва, 2026 — N 1. Том 30. — С.102-127. — Библиогр. в конце ст.
Поделиться
Вконтакте 
Одноклассники 
Telegram Источник
Аннотация
Статья посвящена сравнительному анализу современных методов прогнозирования доходностей криптовалют. Рассматриваются классические статистические модели (SARIMA), методы машинного обучения, нейросетевые архитектуры (LSTM, трансформеры) и метод группового учета аргументов (МГУА). Цель исследования – выявить сильные и слабые стороны различных подходов при краткосрочном и среднесрочном прогнозировании. Эмпирический анализ проведен на временных рядах 13 крупнейших криптовалют за период от 3 до 10 лет. Данные были преобразованы в логарифмические доходности, использовались блочная кросс-валидация и автоматизированный подбор гиперпараметров. Рассматривались горизонты 1, 7 и 30 дней, а также рекурсивные и масштабируемые методы многошагового прогнозирования. Результаты показали, что для краткосрочных горизонтов наиболее точными оказались модели МГУА, тогда как LSTM демонстрировала худшие показатели. На месячном горизонте лидерство перешло к трансформеру Chronos, применявшемуся в режиме обучения внутри контекста. SARIMA сохранила устойчивость на средних горизонтах и подтвердила роль надежного бенчмарка. Масштабируемые методы позволили снизить ошибки по сравнению с рекурсивным прогнозом. Полученные выводы подчеркивают отсутствие универсального алгоритма и важность выбора метода в зависимости от горизонта и задач анализа.
Ключевые слова
- #цифровые финансы
- #цифровые финансовые активы
- #криптовалюты
- #криптоактивы
- #бенчмарк
- #доходность
- #прогнозирование доходности
- #lstm
- #инвестиционная деятельность
- #сравнительный анализ
- #машинное обучение
- #нейросетевое моделирование
- #экономико-математические методы
- #экономико-математические модели
- #таблицы
- #графики
-
УДК:336.74
Рекомендовано к ознакомлению
- 1. Тетерин, М.А. Прогноз волатильности криптовалют с использованием Google Trends и GDELT / М. А. Тетерин // Экономическая политика. — Москва, 2025 — N 4. — С.82-117.
- 2. Кучеров, И.И. Квантильный XGBoost и SHAP в построении и объяснении прогнозных моделей для AI-токенов / И. И. Кучеров // Экономика и математические методы. — Москва, 2025 — N 4. Том 61. — С.111-125.
- 3. Обухович, А.Р. Интеграция DeFi и традиционных финансов с помощью гибридных финансовых продуктов / А. Р. Обухович, А. Ю. Пискарева, Т. В. Маняхин // Экономические науки. Научно-информационный журнал. — Москва, 2025 — N 9. — С.301-312.
- 4. Крупочкин, А.В. Архитектура режимно-зависимой прогностической системы для рынка криптовалют / А. В. Крупочкин // Финансовый бизнес. — Москва, 2025 — N 10. — С.141-144.
- 5. Кусляйкин, А.В. Риск синхронного падения как ключевой фактор доходности криптовалют / А. В. Кусляйкин // Экономическая политика. — Москва, 2025 — N 1. — С.30-55.
- 6. Пашковская, И.В. Типологизация криптоактивов в цифровой экономике / И. В. Пашковская // Инновации и инвестиции. — Москва, 2025 — N 4. — С.457-461.
- 7. Кибало, С. Криптоинвестор за выходные / С. Кибало. — Москва : Альпина Паблишер, 2025. — 236 с.. — ISBN 978-5-9614-9984-1.
- 8. Стовбыра, Т.В. Трейдинг на криптовалютном рынке / Т. В. Стовбыра // Финансовый менеджмент. — Москва, 2025 — N 11. — С.64-70.
- 9. Болотских, Д.И. Земля в метавселенных как новый инвестиционный класс активов / Д. И. Болотских, А. Н. Алюнов // Экономическое развитие России. — Москва, 2025 — N 9. — С.237-242.
- 10. Колесник, Г.В. Модель распределения токенов децентрализованного проекта / Г. В. Колесник // Экономика и математические методы. — Москва, 2025 — N 4. Том 61. — С.98-110.
Отзывы читателей
0