Дослідження методів прогнозування ціни на криптовалюту та автоматизованого процесу її купівлі-продажу
Автор: Муратов Ярослав Миколайович
Кваліфікаційний рівень: магістр
Спеціальність: Системне програмування
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2020-2021 н.р.
Мова захисту: українська
Анотація: Муратов Я.М., Пастернак І.І. (керівник). Прогнозування та автоматизація процесу купівлі/продажу криптовалюти за допомогою технології нейронних мереж. Магістерська кваліфікаційна робота. – Національний університет “Львівська політехніка ”, Львів, 2020 Розширена анотація. Криптовалюта – вид цифрових грошей, основаних на алгоритмах шифрування, які працюють на базі алгоритму блокчейну. Першою криптовалютою став Bitcoin (BTC). Це одна із найдорожчих криптовалют, об’єм якої сягає до 30 міліардів доларів в день. Вона бере свій початок із 2009 року, розроблена Сатосі Накамото. Об’єкт дослідження — штучні нейронні мережі та можливості застосування до часових рядів криптовалютного ринку. Предмет дослідження — моделі та алгоритми застосування нейронних мереж для прогнозування криптовалюти та торгування нею, можливості покращення сучасних методів. Мета роботи – проаналізувати можливості застосування штучних нейронних мереж для прогнозування часових рядів, та покращення якісних характеристик для ринку криптовалюти. Для вирішення поставленої задачі було проаналізовано і проведений порівняльний аналіз класичних та сучасних алгоритмів прогнозування часових рядів та криптовалюти. Роглянуто найкращі методи, та можливості покращення якісних характеристик. Розроблено програмний засіб, який реалізує найкращі алгоритми для прогнозування часових рядів та торгування ними. Ключові слова: штучні нейронні мережі, обробка даних, нейрон, технічний аналіз, криптовалюта, машинне навчання, часові ряди. Список використаних літературних джерел. Iryna Pasternak. Implementation of modular interface with client-server interaction / І.І. Пастернак // Матеріали 9-тої міжнародної конференції MEMSTECH - 2013.- Львів Поляна, дата 2013.- Львів, 2013, С. 91-92. Бідюк П. І. Аналіз часових рядів (навчальний посібник) / Бідюк П. І., Романенко В. Д., Тимощук О. Л. – К.: Політехніка, 2010. – 317 с. Chen Shyi-Ming. Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems, vol. 81, number 3, pp. 311–319, 1996. URL: https://doi.org/10.1016/0165–0114(95)00220–0. Acess in 25/10/2020. Ehlers, R.S. Analise de series temporais. Departamento de Estatistica,Universidade Federal do Parana. URL: http://conteudo.icmc.usp. Acess in 25/10/2020. Todel S. LSTM Using of Recurrent Neural Networks for Time Series[Текст] : LAP Lambert Academic Publishing., 2012. – 102 p. Adhikari R. Intrudiction for the time series modeling and forecasting [Text] / Adhikari R. – Riga: LAP Lambert Academic Publishing, 2013. – 76 p.