Аналіз нейромережевих моделей LSTM та GMDH для прогнозування криптовалюти

Abstract

Досліджується застосування нейромережевих моделей для задачі прогнозування цін на криптовалюти. На відміну від класичних статистичних методів аналізу фінансових і економічних рядів, в основі яких є багатовимірний лінійний регресійний аналіз, пропонується модель з пам'яттю та адаптивна поліноміальна модель. Апробація моделей проводиться на даних криптовалютних ринків завдяки їх високій волатильності та низькій кореляції з традиційними активами. Для прогнозування застосовуються GMDH та LSTM нейронні мережі. Доведена перевага поліноміальної регресійної моделі GMDH за критерієм швидкість-точність прогнозування.

The application of neural network models for the problem of cryptocurrency price forecasting is investigated. Unlike classical statistical methods of financial and economic series analysis, which are based on multidimensional linear regression analysis, a memory model and an adaptive polynomial model are proposed. Models are being tested on cryptocurrency markets due to their high volatility and low correlation with traditional assets. GMDH and LSTM neural networks are used for forecasting. The advantage of the polynomial regression model GMDH is proved by the criterion of speed-accuracy forecasting.