ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Поведінкова економіка та методи машинного навчання в управлінні гібридним інвестиційним портфелем із віртуальними активами
Меркулова Т. В.

Меркулова Т. В. Поведінкова економіка та методи машинного навчання в управлінні гібридним інвестиційним портфелем із віртуальними активами. Бізнес Інформ. 2024. №12. C. 270–276.
https://doi.org/10.32983/2222-4459-2024-12-270-276

Розділ: Фінанси, грошовий обіг і кредит

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 330.3

Анотація:
У статті досліджено перспективи використання методів машинного навчання та інтелектуального аналізу даних для прогнозування динаміки ринку віртуальних активів, таких як криптовалюти, токени та NFT. Зважаючи на високу волатильність, нестабільну кореляцію з традиційними активами та значний вплив позаекономічних факторів, ринок альтернативних активів потребує застосування інноваційних підходів до аналізу та прогнозування. Актуальність дослідження обумовлена зростаючою популярністю віртуальних активів серед інвесторів і складністю управління гібридними портфелями, які поєднують традиційні та альтернативні інструменти. Застосування методів машинного навчання, таких як Random Forest, XGBoost, LSTM і нейронні мережі, дозволяє враховувати нелінійні залежності між ринковими показниками, інтегрувати дані соціальних настроїв, новин і технічних індикаторів, а також знаходити приховані патерни у великомасштабних даних. Особливу увагу приділено адаптації моделей до динамічних ринкових умов шляхом використання таких методів прогнозування, як GARCH і DCC-GARCH, що враховують змінність волатильності та кореляції. Висвітлено ключові виклики, пов’язані із прогнозуванням динаміки ринку віртуальних активів, зокрема відсутність стабільної регуляторної бази, складність оцінки впливу емоційних і когнітивних факторів на поведінку інвесторів, а також необхідність обробки великих обсягів неоднорідних даних. Розглянуто приклади використання методів кластеризації для групування активів за схожими характеристиками, аналізу аномалій для виявлення ринкових сплесків активності та інструментів аналізу настроїв для оцінки емоційного впливу на ринок. Отримані результати свідчать, що інтеграція методів машинного навчання з традиційними фінансовими моделями та поведінковими концепціями дозволяє підвищити точність прогнозів, знизити ризики інвестування та створити адаптивні стратегії управління портфелями в умовах нестабільного фінансового середовища. Подальші дослідження в цій сфері можуть зосереджуватись на розробці гібридних моделей прогнозування, інтеграції великих даних із когнітивними підходами та автоматизації процесів прийняття інвестиційних рішень.

Ключові слова: віртуальні активи, криптовалюти, токени, методи машинного навчання, прогнозування, гібридні портфелі, поведінкова економіка, когнітивні упередження.

Бібл.: 13.

Меркулова Тамара Вікторівна – доктор економічних наук, професор, завідувач кафедри, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]

Список використаних у статті джерел

Bianchi D., Babiak M. On the performance of cryptocurrency funds. Journal of Banking & Finance. 2022. Vol. 138. Art. 106467. DOI: https://doi.org/10.1016/j.jbankfin.2022.106467
Musholombo B. Cryptocurrencies and stock market fluctuations. Economics Letters. 2023. Vol. 233. Art. 111427. DOI: https://doi.org/10.1016/j.econlet.2023.111427
Markowitz H. Portfolio Selection. The Journal of Finance. 1952. Vol. 7. No. 1. P. 77–91. DOI: https://doi.org/10.2307/2975974
Holovatiuk O. Cryptocurrencies as an asset class in portfolio optimisation. Central European Economic Journal. 2020. Vol. 7. No. 54. P. 33–55. DOI: https://doi.org/10.2478/ceej-2020-0004
Kahneman D., Tversky A. Prospect Theory: An Analysis of Decision under Risk. Econometrica. 1979. Vol. 47. No. 2. P. 263–291. DOI: https://doi.org/10.2307/1914185
Kaur M., Jain J., Sood K. “All are investing in Crypto, I fear of being missed out”: examining the influence of herding, loss aversion, and overconfidence in the cryptocurrency market with the mediating effect of FOMO. Quality & Quantity. 2024. Vol. 58. P. 2237–2263. DOI: https://doi.org/10.1007/s11135-023-01739-z
Behera S., Nayak S. C., Kumar A. V. S. P. Evaluating the Performance of Metaheuristic Based Artificial Neural Networks for Cryptocurrency Forecasting. Computational Economics. 2024. Vol. 64. P. 1219–1258. DOI: https://doi.org/10.1007/s10614-023-10466-4
Wang P., Liu X., Wu S. Dynamic Linkage between Bitcoin and Traditional Financial Assets: A Comparative Analysis of Different Time Frequencies. Entropy. 2022. Vol. 24. Iss. 11. Art. 1565. DOI: https://doi.org/10.3390/e24111565
Xu Y., Luo Y. Study of Random Forest and XGBoost Quantitative Stock Selection Strategies. Proceedings of the 2nd International Conference on Bigdata Blockchain and Economy Management. 2023, May 19–21, Hangzhou, China. DOI: https://doi.org/10.4108/eai.19-5-2023.2334374
Lian Y.-M., Chen J.-L., Cheng H.-C. Predicting Bitcoin prices via machine learning and time series models. Journal of Applied Finance & Banking. 2022. Vol. 12. No. 5. P. 25–43. DOI: https://doi.org/10.47260/jafb/1252
Bhowmick D., Barik D., Ghosh D. Forecasting Bitcoin Prices Using LSTM: A Comparative Evaluation with Future Prediction. In: Innovations in Data Analytics / Bhattacharya, A., Dutta, S., Dutta, P., Samanta, D. (eds.). 2024. P. 425–449. DOI: https://doi.org/10.1007/978-981-97-4928-7_33
Zetzsche D. A., Buckley R., Arner D. W., Barberis J. N. Regulating a Revolution: From Regulatory Sandboxes to Smart Regulation. Fordham Journal of Corporate & Financial Law. 2017. Vol. 23. Iss. 1. URL: https://ir.lawnet.fordham.edu/jcfl/vol23/iss1/2/
Сторонянська І. З., Беновська Л. Я. Поведінкові фактори у прийнятті фінансово-економічних рішень суб’єктами економіки в умовах невизначеності. Фінанси України. 2022. № 6. С. 112–128. DOI: https://doi.org/10.33763/finukr2022.06.112

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру