Нейромережевий прогноз Bitcoin: адаптація до волатильності

Н. І. Бойко; Д. В. Свінцило

doi:10.24144/2616-7700.2026.49(2).146-154

Автор(и)

Н. І. Бойко Львівський національний університет ветеринарної медицини та біотехнологій імені Степана Гжицького, Україна https://orcid.org/0000-0002-6962-9363
Д. В. Свінцило Національний університет "Львівська політехніка", Україна https://orcid.org/0009-0008-2381-744X

DOI:

https://doi.org/10.24144/2616-7700.2026.49(2).146-154

Ключові слова:

прогнозування криптовалют, Bitcoin, мультимодальний пiдхiд, рекурентнi нейроннi мережi, сентимент-аналiз, GDELT, адаптивне навчання, LSTM

Анотація

Стаття присвячена створенню мультимодальної системи прогнозування Bitcoin, яка об’єднує традицiйнi ринковi показники з аналiзом новин через нейромережi LSTM та GRU. Завдяки використанню GDELT та моделi FinBERT авторам вдалося видiлити вплив геополiтики й фiнансiв на крипторинок, що пiдняло точнiсть прогнозiв на 15-хвилинних iнтервалах з 53,2% до вражаючих 77,8%. Головна особливiсть пiдходу — механiзм щотижневого адаптивного донавчання, який рятує модель вiд застарiвання, та виявлення 30-хвилинної затримки, з якою макроекономiчнi новини реально вiдображаються на цiнi. Наукова новизна зосереджена на алгоритмi автоматичного коригування ваг мережi, що дозволяє системi самостiйно пiдтримувати актуальнiсть в умовах хаотичного ринку.

Спонсор дослідження

Дослідження було проведено без фінансової підтримки.

Біографії авторів

Н. І. Бойко, Львівський національний університет ветеринарної медицини та біотехнологій імені Степана Гжицького

Доцент кафедри інформаційних технологій. Кандидат економічних наук

Д. В. Свінцило, Національний університет "Львівська політехніка"

Студент кафедри систем штучного інтелекту

Посилання

Akyildirim, E., Corbet, S., Katsiampa, P., Kellard, N., & Sensoy, A. (2021). Prediction of cryptocurrency returns using machine learning. Finance Research Letters, 38, 101438. https://doi.org/10.1016/j.frl.2020.101438
Chen, C., Ma, Y., Wang, X., & He, L. (2020). Forecasting Bitcoin price with deep learning-based approaches. Journal of Computational Finance, 24(3), 1–20. https://doi.org/10.21314/JCF.2020.390
Greaves, A. S., & Au, B. (2019). Using machine learning algorithms to predict Bitcoin price movements. Computational Economics, 53(4), 1003–1021. https://doi.org/10.1007/s10614-018-9844-y
Kim, Y., Kim, H., & Lee, J. (2021). Transformer-based models for cryptocurrency price prediction: A comparative analysis. Expert Systems with Applications, 174, 114768. https://doi.org/10.1016/j.eswa.2021.114768
Shah, D., Isah, H., & Zulkernine, F. (2019). Stock market analysis: A review and taxonomy of prediction techniques. International Journal of Financial Studies, 7(2), 26. https://doi.org/10.3390/ijfs7020026
Zhang, X., Liu, Y., & Luo, X. (2022). Enhancing cryptocurrency price prediction using hybrid deep learning models. Journal of Financial Data Science, 4(2), 45–61. https://doi.org/10.3905/jfds.2021.1.077
Htay, H. S., & et al. (2025). Enhancing Bitcoin price prediction with deep learning: Integrating social media sentiment and historical data. Applied Sciences, 15(3), 1554. https://doi.org/10.3390/app15031554
Huang, A. H., Wang, H., & Yang, Y. (2022). FinBERT: A large language model for extracting information from financial text. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3910214
Mao, Y., & et al. (2024). Sentiment analysis methods, applications, and challenges: A systematic literature review. Journal of King Saud University – Computer and Information Sciences, 36(4), 102048. https://doi.org/10.1016/j.jksuci.2024.102048
Scanlon, B., & et al. (2025). Optimizing Bitcoin price prediction: Multivariate LSTM triumphs. International Journal of Combinatorial Optimization Problems and Informatics, 16(1), 552. https://doi.org/10.61467/2007.1558.2025.v16i1.552