Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA
  • Войти
  • RU | EN
Статьи, Журналы

Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA

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.
Синельникова-Мурылева, Е.В. и Шканов, Б.А., (2026), "Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA", Экономический журнал Высшей школы экономики, Москва, 2026, N 1. Том 30, С.102-127.
Синельникова-Мурылева Е В, Шканов Б А. Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA. Экономический журнал Высшей школы экономики. 2026; (N 1. Том 30). С.102-127.
Выпуск
Экономический журнал Высшей школы экономики, 2026, Т.30 N 1
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

  • УДК:
    336.74

Рекомендовано к ознакомлению

Отзывы читателей

0