Прогнозування короткочасних даних для крипторинку
DOI:
https://doi.org/10.20535/1560-8956.42.2023.279107Ключові слова:
прогнозування тренду, експоненційне згладжування, Simple Exponential Smoothing, Holt’s Linear Method, Additive Damped Trend Method, точність прогнозування тренду, RMSE, MAPE, криптобіржі, криптовалюти, прогнозування ціниАнотація
Розвиток криптовалют та криптобірж викликає необхідність розроблення різноманітних інформаційних технологій, необхідних для створення інструментарію аналізу, торгівлі, а також для автоматизації інших бізнес-процесів у
фінансових установах. Інструменти аналізу дозволяють досліджувати ринок, виявляти його тренди, відстежувати динаміку цін. Функціонал засобів аналізу дозволяє будувати графіки динаміки цін, здійснювати технічний аналіз, створювати індикатори та отримувати інші результати аналізу даних криптовалютного ринку. Інструментарії аналізу та торгівлі дозволяють користувачам ефективно працювати на криптобіржах та забезпечують їм можливість отримати прибуток від торгівлі криптовалютами з меншими ризиками. Для ефективної торгівлі важливо постійно відстежувати курс криптовалюти та швидко приймати рішення щодо її продажу або купівлі. Один з основних підходів до торгівлі заснований на використанні алгоритму високочастотної торгівлі. Такий алгоритм здійснює прогноз на декілька секунд уперед та використовує результати прогнозу для швидкого відкриття або закриття позицій. Високої швидкості виконання операцій можна досягнути за умов автоматизації процесу здійснення транзакцій. Розглянуто застосування методів експоненційного згладжування для короткочасного прогнозування ціни на криптобіржах. Для оцінки прогнозу ціни на криптовалюту було використано три методи: точність прогнозування тренду, RMSE та MAPE. Дослідження проведені на даних криптобіржі Binance для символу BTCUSDT. Методи експоненційного згладжування перевірені на різних діапазонах даних розміру вікна та коефіцієнту. Здійснено порівняння статистичних даних короткочасного
прогнозування ціни на криптобіржі, отриманих застосуванням кожного з трьох методів. За результатами дослідження встановлено, що прогноз ціни методом простого експоненційного згладжування дає найкращий результат порівняно з іншими досліджуваними методами для обраного проміжку часу.
Бібл. 9, іл. 13, табл. 1
Посилання
Clapham, B., Haferkorn, M. & Zimmermann, K. The Impact of High-Frequency Trading on Modern Securities Markets. Bus Inf Syst Eng 65, 7–24 (2023). https://doi.org/10.1007/s12599-022-00768-6.
Trevethan R (2017) Sensitivity, Specificity, and Predictive Values: Foundations, Pliabilities, and Pitfalls in Research and Practice. Front. Public Health 5:307. https://doi.org/10.3389/fpubh.2017.00307.
A. Supriatna, D. Susanti, E. Hertini. Application of Holt exponential smoothing and ARIMA method for data population in West Java. IOP Conf. Series: Materials Science and Engineering 166 (2017) 012034 doi:10.1088/1757-899X/166/1/012034.
Chai, T. and Draxler, R. R.: Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature, Geosci. Model Dev., 7, 1247–1250, https://doi.org/10.5194/gmd-7-1247-2014, 2014.
Kline/Candlestick Data – Binance API Documentation. https://binancedocs.github.io/apidocs/spot/en/#kline-candlestick-data. Accessed 1 Apr. 2023.
Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles and practice. OTexts, 2014.
Statistical models, hypothesis tests, and data exploration. https://www.statsmodels.org/stable/index.html. Accessed 1 Apr. 2023.
Charles C. Holt, Forecasting seasonals and trends by exponentially weighted moving averages, International Journal of Forecasting, Volume 20, Issue 1, 2004, Pages 5-10, ISSN 0169-2070, https://doi.org/10.1016/j.ijforecast.2003.09.015.
Giacomo Sbrana, Andrea Silvestrini, Forecasting with the damped trend model using the structural approach, International Journal of Production Economics, Volume 226, 2020, 107654, ISSN 0925-5273, https://doi.org/10.1016/j.ijpe.2020.107654.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
