АНАЛІЗ ПІДХОДІВ Й ЇХ ОСОБЛИВОСТЕЙ ДО ДОСЛІДЖЕННЯ ДИНАМІКИ КУРСІВ КРИПТОВАЛЮТ
Ключові слова:
криптовалюта, курсова вартість, тенденція, методи, моделі, прогнозування, майнери, блокчейнАнотація
Анотація. Метою дослідження виступає порівняльний аналіз підходів до аналізу тенденцій динаміки криптовалют. В статті проведено аналіз тенденцій розвитку криптовалют, який показав збільшення впливу криптовалюти в структурі фінансового ринку. Визначено, що за період 2013–2023 рр. капіталізація ринку криптовалют збільшилась майже в 1000 разів. Однак за останні роки збільшилася також кількість «фейкових» криптовалют, тому за останні два роки загальна кількість криптовалют майже не змінилася. Досліджено праці науковців щодо аналізу тенденцій курсової вартості криптовалют, сформовано три основні підходи до аналізу. Досліджено основні складові першого підходу, визначено вплив майнерів, вартості майнингу, блокчейнів, взаємодії учасників майнингу на формування курсової вартості. Визначено, що основною рисою другого підходу до дослідження тенденцій курсової вартості криптовалют є необхідність розглядати ринок криптовалют у взаємодії з іншими складовими фінансового ринку. В цьому підході криптовалюта виступає як альтернатива централізованим складовим фінансового ринку й як елемент фінансової свободи. Дослідження праць третього підходу дозволило визначити основні методи та моделі аналізу динаміки курсової вартості, серед яких основне місце займають: моделі аналізу часових рядів з урахуванням настроїв (Sentiment-Enriched Time Series Forecasting – SETS models), моделі глибокого навчання для прогнозування процесів з довго- та короткостроковою пам’яттю (LSTM), рекурентні нейронні мережі (RNN) та моделі GRU (Gated Recurrent Unit).
Посилання
Athey, S., Parashkevov, I., Sarukkai, V., & Xia, J. (2016). Bitcoin pricing, adoption, and usage: Theory and evidence. Stanford University, Graduate School of Business. Research Paper, 1642. Retrieved from http://ssrn.com/abstract=2826674
Biais, B., Bisière, C., Bouvard, M., & Casamatta, C. (May 2019). The blockchain folk theorem. The Review of Financial Studies, 32(5), 1662-1715. doi: 10.1093/rfs/hhy095.
Biais, B., Bisière, C., Bouvard, M., Casamatta, C., & Menkveld, A.J. (Apr. 2023). Equilibrium bitcoin pricing. Journal of Finance, 78(2), 967-1014. doi: 10.1111/JOFI.13206
Bystrom, H., & Krygier, D. (2018). What drives bitcoin volatility? SSRN 3223368.
Charles, A., & Darné, O. (2019). Volatility estimation for Bitcoin: Replication and robustness. International Economics, 157, 23-32.
Cong, L.W. et al. (2022). Token-based platform finance. Journal of Financial Economics, 144, 972-991. doi: 10.1016/j.jfineco.2021.10.002.
Cong, L.W., He, Z., & Li, J. (Mar. 2021). Decentralized mining in centralized pools. The Review of Financial Studies, 34(3), 1191-1235. doi: 10.1093/rfs/hhaa040
Easley, D., O’Hara, M., & Basu, S. (2019). From mining to markets: The evolution of bitcoin transaction fees. Journal of Financial Economics, 134(1), 91-109. doi: 10.1016/j.jfineco.2019.03.004
Exploding Topics, "How many cryptocurrencies are there in 2024?" Retrieved from https://explodingtopics.com/blog/number-of-cryptocurrencies
Frohmann, M., Karner, M., Khudoyan, S., Wagner, R., & Schedl, M. (2023). Predicting the price of Bitcoin using sentiment-enriched time series forecasting. Big Data and Cognitive Computing, 7(3), 137.
Gers, F.A., Eck, D., & Schmidhuber, J. (2001). Applying LSTM to time series predictable through time-window approaches. International Conference on Artificial Neural Networks, 669-676. Springer.
Hamayel, M.J., & Owda, A.Y. (2021). A novel cryptocurrency price prediction model using GRU, LSTM and bi-LSTM machine learning algorithms. Artificial Intelligence, 2(4), 477-496.
Jaquart, P., Köpke, S., & Weinhardt, C. (2022). Machine learning for cryptocurrency market prediction and trading. The Journal of Finance and Data Science, 8, 331-352.
Kelly, B. (2014). The Bitcoin Big Bang: How Alternative Currencies Are About to Change the World. John Wiley & Sons.
Kovalenko, Y., Zakharova, O., Yakusheva, O., Yakushev, O., Hulak, D., & Kozlovska, S. (2021). Priorities for the development of regional information management based on system digitalization. Sustainable Development in the Post-Pandemic Period, SHS Web of Conferences, International Scientific and Practical Conference (SDPPP-2021). Tallinn, Estonia, Nov. 9-10,. 126. doi: https://doi.org/10.1051/shsconf/202112604002.
Liu, Y., & Tsyvinski, A. (2019). Risks and Returns of Cryptocurrency. doi: 10.1093/rfs/hhaa113
Liu, Y., Tsyvinski, A., & Wu, X. (Apr. 2022). Common risk factors in cryptocurrency. Journal of Finance, 77(2), 1133-1177. doi: 10.1111/JOFI.13119
Liu, Z., Zhu, Z., Gao, J., & Xu, C. (2021). Forecast methods for time series data: A survey. IEEE Access, 9, 91896-91912.
Mudassir, M., Bennbaia, S., Unal, D., & Hammoudeh, M. (2020). Time-series forecasting of Bitcoin prices using high-dimensional features: A machine learning approach. Neural Computing & Applications, 1-15.
Pagnotta, E.S. (Feb. 2022). Decentralizing money: Bitcoin prices and blockchain security. The Review of Financial Studies, 35(2), 866-907. doi: 10.1093/rfs/hhaa149
Schilling, L., & Uhlig, H., (2019). Some simple bitcoin economics. The Journal of Monetary Economics, 106, 16-26. doi: 10.1016/j.jmoneco.2019.07.002
Telnova, H., Kolodiziev, O., Petchenko, M., Yakushev, O., Shulga, N., & Kochetkov, V. (2023). Foreign trade policy and its impact on economic growth. Financial and Credit Activity Problems of Theory and Practice, 4(51), 345-357. doi: 10.55643/fcaptp.4.51.2023.4097
Uras, N., Marchesi, L., Marchesi, M., & Tonelli, R. (2020). Forecasting Bitcoin closing price series using linear regression and neural networks models. PeerJ Computer Science, 6, e279.
Zakharova, O., Podluzhna, N., Yakusheva, O., & Yakushev, O. (2020). Regional policy of advanced ICT in the minds of forming economy knowledge. 16th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. Vol. I: Main Conference, ICTERI (Vol. 2740, pp. 386-391). Kharkiv, Ukraine.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
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 цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
