Эксперты МТУСИ создали алгоритм для предсказания колебаний цен на криптовалюты

Специалисты в области информационных технологий из МТУСИ разработали алгоритм для предсказания изменений цен на криптовалюты с высокой точностью. Юрий Леохин, доктор технических наук, профессор, и Тимур Фатхуллин, кандидат технических наук, доцент, создали этот алгоритм, о чём сообщили представители МТУСИ изданию CNews. Разработка актуальна из-за растущего спроса на точные прогнозы числовых рядов с высокой волатильностью, особенно в экономике. Прогнозирование тенденций рынка криптовалют — сложная и востребованная задача в условиях цифровизации финансов. Правительство России внимательно следит за регулированием и использованием цифровых активов. Биткоин и Эфириум привлекают внимание инвесторов своей волатильностью, но их анализ затруднён из-за нестабильности и сложности рынков. Для решения этой задачи учёные из МТУСИ разработали программный комплекс на основе искусственных нейронных сетей. Они сравнили различные архитектуры, подходящие для анализа временных рядов: Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), их гибридную комбинацию (GRU-LSTM) и временную свёрточную сеть (Temporal Convolutional Network — TCN). Выбор этих архитектур обусловлен их особенностями: LSTM-сети хорошо улавливают долгосрочные нелинейные зависимости, а GRU предлагает более компактную вычислительную модель. TCN рассматривается как перспективная альтернатива, использующая расширенную свёртку для увеличения рецептивного поля без пропорционального роста вычислительной нагрузки. Модели были реализованы в среде Google Colab с использованием фреймворка TensorFlow 2.15 для Python 3.11. Для быстрой обработки данных использовался графический ускоритель T4. В качестве оптимизатора применялся алгоритм Adam, известный своей адаптивной скоростью обучения и быстрой сходимостью. Обучающая выборка, содержащая более 2200 записей исторических котировок с 2015 года, была сформирована на основе данных с портала Investing.com. Ключевым этапом исследования стало сравнительное тестирование производительности моделей с вариацией их гиперпараметров. Среднеквадратическая ошибка (Mean Squared Error — MSE) использовалась в качестве объективной метрики точности прогноза. Алгоритм, основанный на гибридном подходе с использованием LSTM и GRU, показал наименьшие значения MSE, что свидетельствует о его минимальном отклонении от реальных значений и является значительным конкурентным преимуществом разработки.