Введение

Криптовалюты – молодой цифровой актив, обладающий высокой волатильностью. Появившись в 2008 году, криптовалюты стали быстро набирать популярность в качестве инструмента для сбережения средств и заработка. Так по информации сайта TradingView общая капитализация криптовалют на март 2026 года составляет 2,4 трл. долл. США [4]. Криптовалюты стали одним из главных инструментов инвестирования и продолжают привлекать все больше инвесторов.

Сегодня актуальность подобных исследований обусловлено, во-первых, динамичностью и непредсказуемостью рынка криптовалют, что вызывает риски потерять свои сбережения, соответственно, это провоцирует интерес получить инструмент для прогнозирования, который позволит снизить эти риски. Во-вторых, развитие технологий машинного обучения и рост популярности нейросетей позволяют использовать их в качестве инструмента прогнозирования криптовалют.

Цель исследования – оценить эффективность методов машинного обучения в качестве инструмента прогнозирования курса криптовалют.

Методы и объект исследования

Объект исследования динамика курса криптовалют на рынке финансовых активов.

Методами исследования являются обобщение и анализ информации из отечественных, а также зарубежных работ за последние несколько лет, занимающихся прогнозированием криптовалют.

Обзор исследований

Исследования в области прогнозирования курса криптовалют с использованием методов машинного обучения не новы. Так, в работе «Методы машинного обучения в прикладных задачах прогнозирования динамично изменяющихся данных» рассматривается множество моделей с целью прогнозирования курса Bitcoin [6]. Качество прогнозов оценивалось по метрике MSE. Лучшие метрики на краткосрочном прогнозе показали LSTM, GRU и XGBoost. Дополнительно авторы строят более далёкий прогноз с помощью LSTM, GRU и TCN, наилучший результат показала последняя модель. Авторы отмечают эффективность LSTM и GRU, а также советуют исследовать эффективность гибридных моделей. Подобные результаты получены в работе Islam M.Z., Rahman M.S. и др. [2]. LSTM с включенными признаками ликвидности показывает самое высокое качество.

В работе «Прогнозирование волатильности криптовалют на основе машинного обучения» прогнозируют волатильности Bitcoin и Ethereum [7]. Используемые данные представляли из себя временные ряды самих монет, а также on-chain метрики, например, количество транзакций, хэшрейт сети и количество активных адресов. Авторы рассматривали следующие модели: XGBoost, LSTM, Random Forest, GARCH. Лучшие метрики получила XGBoost. Данная статья добавляется новизну использованием on-chain метрик, а также показывает подкрепляет качество XGBoost в прогнозировании.

Исследование «On forecasting cryptocurrency prices: A comparison of machine learning, deep learning, and ensembles» посвящено прогнозированию Ripple, Bitcoin, Ethereum, Litecoin и Monero [3]. Из множества рассмотренных моделей, лучшие метрики в прогнозе на 1 год вперёд показали LSTM и GRU, также автор отмечает, что модель TCN способна давать лучшие результаты при увеличении частоты данных. Выводы подкрепляют качество рекуррентных и сверточных сетей в прогнозировании криптовалют.

Wang M., Braslavski P. и Ignatov D.I. [5] рассматривают прогнозирование более 20 криптовалют с помощью множества моделей, в частности, TimeGPT и Chronos (предобученные модели для работы с временными рядами). Результаты показали высокое качество прогнозов TimeGPT.

Работа «Forecasting the Bitcoin price using the various Machin Learning: A systematic review in data-driven marketing» рассматривают множество литературных источников, занимавшихся прогнозированием криптовалют [1]. Авторы отмечают, что использование гибридных моделей является лучшим инструментом для прогнозирования криптовалюты.

Экспериментальная часть

Так как криптовалюты во многом являются инструментом инвестирования, исследование будем проводить на наиболее капитализированных валютах, как самых привлекательных для этой цели. А конкретно в работе прогнозируются: Bitcoin, Ethereum, Ripple и Litecoin.

Исходя из рассмотренных исследований, выделены следующие модели LSTM, GRU, TCN, Chronos и TimesFM. Также дополнительно рассматривается гибридная модель, сочетающая XGBoostRegressor и LSTM.

Используемыми данными являются дневные цены закрытия представленных криптовалют в период с 01.02.2021 по 01.02.2026, а также on-chain метрики: количество проданных монет, количество транзакций и количество активных адресов. Прогнозирование производится на месяц и полгода вперед, качество прогноза оценивается по метрикам MAE и MAPE.

Результаты прогнозирования моделей LSTM, GRU, TCN представлены в таблице 1. Исходя из метрик, можно сделать следующие выводы:

• TCN показывает лучшие результаты на краткосрочном прогнозе.
• LSTM показывает посредственные результаты на краткосрочном, но хорошие на долгосрочном горизонте из-за своей структуры, способной запоминать долгосрочные зависимости.
• GRU показывают средние результаты на обоих горизонтах прогнозирования, проигрывая TCN в краткосрочных прогнозах и LSTM в долгосрочных.

Таблица 1

Результаты прогнозирования LSTM, GRU, TCN

Результаты прогнозирования Chronos и TimesFM представлены в таблице 2. Исходя из метрик, можно сделать следующие выводы:

• TimesFM даёт отличные предсказания на месячном горизонте, но на полугодичном качество резко падает.
• Chronos не превосходит GRU в месячных прогнозах, что говорит о их среднем качестве, а также даёт худшие полугодичные прогнозы.

Таблица 2

Результаты прогнозирования Chronos и TimesFM

Исходя из результатов, можно сделать следующие вывод:

• TimesFM даёт отличные предсказания на месячном горизонте, но на полугодичном качество резко падает.
• Chronos не превосходит GRU в месячных прогнозах, что говорит о их среднем качестве, а также даёт худшие полугодичные прогнозы.

Исследуемая гибридная модель показала наилучшие показатели как на месячном, так и на полугодичном прогнозе, превосходя остальные модели. Это подтверждает информацию из рассмотренных статей о том, что гибридный подход является наилучшим в прогнозировании курса криптовалют. Также из полученных результатов следует вывод о том, что выбор модели зависит от горизонта прогнозирования.

Таблица 3

Результаты прогнозирования гибридной модели (XGBoost-LSTM)

Заключение

В ходе работы была проведена оценка качества использования методов машинного обучения и нейронных сетей в прогнозировании курса криптовалют на примере Bitcoin, Ethereum, Ripple и Litecoin.

Результаты прогнозов показали, что ни одна из моделей не является универсальной. Например, TCN и TimesFM дают хорошие показатели для месячного прогнозирования, но на полугодичном горизонте качество падает. LSTM даёт хорошие прогнозы на полугодичном горизонте, но плохо на месячном.

Важным результатом исследования является подтверждение высокой эффективности гибридной модели в прогнозировании как на месячном, так и на полугодичном горизонте. Сочетание XGBoostRegressor и LSTM показывает метрики в несколько раз превосходящие остальные модели. Это говорит о перспективности исследования гибридного подхода в прогнозировании криптовалют.

В качестве направления дополнительных исследований можно выделить расширение набора признаков, например, упоминание криптовалют в СМИ или социальных сетях, а также исследование различных архитектур гибридных моделей.

Таким образом данное исследование подтверждает эффективность методов машинного обучения и нейронных сетей в качестве инструмента прогнозирования курса криптовалют.