Control Systems and Computers

https://doi.org/10.15407/csc.2023.03.069

Голяченко А.М., Люшенко Л.А. Програмна експертна система вибору алгоритмів прогнозування криптовалюти у режимі реального часу. Control Systems and Computers. 2023. № 3. С. 69-76.

УДК 004.4

А.М. ГОЛЯЧЕНКО, аспірант кафедри програмного забезпечення комп`ютерних систем, факультет прикладної математики, Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, ORCID: https://orcid.org/0009-0008-5715-3805, 03056, м. Київ, Берестейський просп., 37, Україна, anastasiia.holiachenko@gmail.com

Л.А. ЛЮШЕНКО, к.т.н., доцент кафедри програмного забезпечення комп’ютерних систем, факультет прикладної математики, Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, ORCID: https://orcid.org/0000-0003-4319-5955, Scopus Author ID: 57208345053,
03056, м. Київ, Берестейський просп., 37, Україна, lyushenkol@gmail.com

ПРОГРАМНА ЕКСПЕРТНА СИСТЕМА ВИБОРУ АЛГОРИТМІВ ПРОГНОЗУВАННЯ КРИПТОВАЛЮТИ У РЕЖИМІ РЕАЛЬНОГО ЧАСУ

Здійснено аналіз наявних підходів прогнозування курсу криптовалюти, що використовуються на ринку. Запропоновано альтернативний підхід до прогнозування на базі наявної програмної автоматичної експертної системи вибору алгоритмів, що дає змогу стабілізувати високу вірогідність прогнозу при низьких часових витратах. Виявлено та обґрунтовано шляхи розв’язання  проблем, що можуть виникати при застосуванні даної експертної системи.

Завантажити повний текст! (українською)

Ключові слова: прогнозування курсу криптовалюти, трейдинг, алгоритми прогнозування, аналіз часових рядів, експертна система, технічний аналіз, криптовалютний ринок.

1. Achelis, S.B. (2000). Technical Analysis from A to Z, 2nd Edition. McGraw-Hill.
2. Holiachenko, A., Lyushenko, L., Strutsynsky, O. (2022). “Modified Method of Cryptocurrency Exchange Rate Forecasting Based on ARIMA Class Models with Data Verification”. Advances in Artificial Systems for Logistics Engineering. Lecture Notes on Data Engineering and Communications Technologies, vol 135, pp 123- https://doi.org/10.1007/978-3-031-04809-8_11.
3. Lyushenko, L., Holiachenko, A. (2020). “Optimization of the Method of Technical Analysis of Cryptocurrency Price Differences Movements”. Advances in Computer Science for Engineering and Education II. ICCSEEA 2019. Advances in Intelligent Systems and Computing, vol 938, pp 388-397. https://doi.org/10.1007/978-3-030-16621-2_36.
4. Breiman, L. (2001). “Random Forests”. Machine Learning, 45, pp 5-32. 
   https://doi.org/10.1023/A:1010933404324.
5. Burkov, A. (2019). The Hundred-Page Machine Learning Book. Andriy Burkov.
6. Palepu, K.G., Healy, P.M. (2008).Business Analysis & Valuation: Using Financial Statements, 4th ed. Mason OH: Thomson South-Western.
7. McKinsey and Company, Koller, T., Goedhart, M., Wessels, D. (2020). Valuation: Measuring and Managing the Value of Companies. Seventh ed. Hoboken New Jersey: John Wiley & Sons.
8. Coulter, K.A. (2022). “The impact of news media on Bitcoin prices: modelling data driven discourses in the crypto-economy with natural language processing”. R Soc Open Sci, 9(4). https://doi.org/10.1098/rsos.220276.
9. Tran, T. (2022). Predicting Digital Asset Prices using Natural Language Processing: a survey.
10. Bishop, C.M. (2006). “Pattern Recognition and Machine Learning”. Information Science and Statistics. New York: Springer-Verlag, pp. 653-673.
11. Valipour, (2015). “Long-term runoff study using SARIMA and ARIMA models in the United States”. Meteorological Applications. https://doi.org/10.1002/met.1491.
12. Akyildirim, E., Göncü, A., Sensoy, A. (2018). Prediction of Cryptocurrency Returns using Machine Learning.
13. Kim, K.-J. (2003). “Financial time series forecasting using support vector machines”, Neurocomputing, vol 55, 307–319. https://doi.org/10.1016/S0925-2312(03)00372-2.
14. Lee, M.-C. (2009). “Using support vector machine with a hybrid feature selection method to the stock trend prediction”. Expert Systems with Applications, 36(8), 10896–10904. https://doi.org/10.1016/j.eswa.2009.02.038.
15. Kumar, M., Thenmozhi, M. (2006). “Forecasting Stock Index Movement: A Comparison of Support Vector Machines and Random Forest”. Indian Institute of Capital Markets 9th Capital Markets Conference Paper. http://dx.doi.org/10.2139/ssrn.876544.
16. Giarratano J., Riley G. (1998). Expert Systems: Principles and Programming. 3rd ed. Boston: PWS Pub.
17. Harmon, P., King, D.R. (1985). Expert systems: artificial intelligence in business. Technology and Culture, 28, 894 p.
18. Guresen, E., Kayakutlu, G., Daim, T. (2011). “Using artificial neural network models in stock market index prediction”. Expert Systems with Applications, 38, pp. 10389-10397.

 Надійшла 05.09.2023