Детальная информация

Целью работы является разработка алгоритма комбинированного прогнозирования направления изменения цены криптовалютного актива на основе совмещения статистической модели временного ряда и анализа информационного фона с использованием энтропийных показателей. В ходе исследования были решены следующие задачи: 1. Изучены современные подходы к прогнозированию цен на криптовалютных рынках и выявлены их ограничения. 2. Сформирован и обработан корпус новостей для извлечения признаков. 3. Разработан алгоритм интеграции ARIMA-модели и новостной классификации. 4. Проведена эмпирическая проверка модели и анализ её точности. Актуальность темы обусловлена необходимостью создания формализованных моделей, способных учитывать информационные и поведенческие аномалии в условиях высокой волатильности криптовалютного рынка. Информационные всплески, особенно в социальных сетях и мессенджерах, требуют интеграции неклассических индикаторов в прогнозные системы. Источниками информации послужили научные публикации в области обработки естественного языка, энтропийного анализа и временных рядов, а также архивы Telegram-новостей. Практическая значимость работы заключается в построении гибридного алгоритма, способного фиксировать признаки информационных сдвигов и учитывать их при принятии торговых решений в режиме реального времени.

The purpose of the final qualification work is to develop a combined forecasting algorithm for predicting the directional movement of cryptocurrency asset prices, based on integrating a statistical time series model with information background analysis using entropic indicators. 2. Compiled and preprocessed a news corpus to extract relevant features. 3. Developed an algorithm to integrate the ARIMA model with a news-based classification module. 4. Conducted empirical validation and performance analysis of the proposed model. The informational basis included open Bitcoin market data and archives of news messages from Telegram channels. The implementation was carried out in Python using libraries such as pandas, statsmodels, sklearn. Evaluation of the proposed model was based on binary classification metrics, including accuracy, precision, recall, and F1-score. As a result of the study, a practical algorithm was developed that is capable of identifying and responding to informational shifts in real time, enhancing the adaptability of automated trading systems in highly volatile cryptocurrency markets.