Применение методов анализа данных для прогнозирования курса криптовалюты

1. Применение методов анализа данных для прогнозирования курса криптовалюты

ПРИМЕНЕНИЕ МЕТОДОВ
АНАЛИЗА ДАННЫХ ДЛЯ
ПРОГНОЗИРОВАНИЯ
КУРСА КРИПТОВАЛЮТЫ
Анализ текстовых данных.
Работу подготовили: Хан М.А. и Югай А.С.

2. Криптовалютный рынок как предметная область исследования

КРИПТОВАЛЮТНЫЙ РЫНОК КАК
ПРЕДМЕТНАЯ ОБЛАСТЬ
ИССЛЕДОВАНИЯ
Уникальность рынка:
Децентрализация, круглосуточная торговля
И высокая волатильность (5-10% в день).
Проблема:
Существующие методы недостаточно точны
из-за сложности учёта множества факторов.
Цель работы:
Разработка и сравнительный анализ эффективности
разных классов моделей для прогнозирования курса
криптовалют.

3. Обзор и выбор методов исследования

ОБЗОР И ВЫБОР МЕТОДОВ
ИССЛЕДОВАНИЯ
Классические: ARIMA. Линейная
модель, требующая
стационарности.
Современные статистические:
Prophet. Аддитивная модель
(тренд+сезон+события). Устойчива
к шуму.
Глубокое обучение: LSTM,
Transformer. Способны улавливать
сложные нелинейные зависимости
и долгосрочные связи.

4. Реализация моделей: ключевые особенности.

РЕАЛИЗАЦИЯ МОДЕЛЕЙ:
КЛЮЧЕВЫЕ ОСОБЕННОСТИ.
• ARIMA: Подбор (p, d, q) = (2, 1, 2),
проверка стационарности.
• Prophet: обучение на нормализованных
данных, учёт сезонности.
• Transformer: Упрощенная архитектура,
механизм самовнимания, позиционное
кодирование.
• Важное ограничение: Работа велась с
учетом ограниченных вычислительных
ресурсов.

5. Количественные результаты сравнения

КОЛИЧЕСТВЕННЫЕ РЕЗУЛЬТАТЫ
СРАВНЕНИЯ
Представлены 4 ключевые метрики: MSE, MAE,
RMSE, MAPE.
Prophet показал наилучшие результаты по всем
метрикам.
ARIMA заняла второе место, но с заметно более
высоким MAPE.
Модели глубокого обучения (LSTM, Transformer)
показали наихудшие результаты в условиях данного
эксперимента.

6.

7.

8. Качественный анализ и интерпретация

КАЧЕСТВЕННЫЙ АНАЛИЗ И
ИНТЕРПРЕТАЦИЯ
• Успех Prophet: Аддитивная структура,
устойчивость к шуму и выбросам, эффективная
работа с небольшими объемами данных.
• ARIMA: Ограничена линейностью и требованием
стационарности, плохо ловит резкие изменения.
• LSTM/Transformer: Их потенциал не раскрыт изза недостатка данных (всего 360 точек) и
вычислительных ресурсов. Склонны к
переобучению на малых выборках.
• Вывод: Эффективность модели зависит не только
от ее мощности, но и от соответствия объему
данных и ресурсам.

9. Выводы и заключение

ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
• Основной вывод: Для прогнозирования
криптовалют при ограниченных данных
(~1 год) современные статистические
модели (Prophet) могут быть
эффективнее сложных нейросетей.
• Ограничения: Недостаток данных и
вычислительных мощностей для полного
раскрытия потенциала LSTM/Transformer.

10. СПАСИБО ЗА ВНИМАНИЕ!