ПРОГНОЗИРОВАНИЕ КУРСА ETH/USD НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

№10, 08.12.2017

Экономические науки

Баранова Мария Андреевна

Галиаскарова Гузелия Рафкатовна (Кандидат физико-математических наук)

Ключевые слова: ЭФИРИУМ; НЕЙРОННАЯ СЕТЬ; ПРОГНОЗИРОВАНИЕ; ВАЛЮТА; ETHEREUM; NEURAL NETWORK; FORECASTING; CURRENCY.

Эфириум – одна из самых востребованных и перспективных криптовалют в мире. Эта валюта младше биткоина на 7 лет и появилась только в 2015 году, но за последние несколько месяцев Эфириум легко вышел на второе место среди криптовалют по объемам торгов. Во многом это связано с тем, что эфириум учёл и исправил основные недостатки, за которые критикуют биткоин.

Появление форка Ethereum укрепило мнение человека, что криптовалюта может творить настоящие чудеса в области финансов. Время транзакций в эфириуме значительно короче. С самого начала эфириум рассчитан для майнинга на обычных домашних компьютерах, в отличие от биткоина, который практически весь майнится на специальном оборудовании, расположенном на крупных фермах в Китае. Поэтому эфириум намного привлекательнее для обычных пользователей, что позволяет всей сети оставаться распределённой и более безопасной. Однако рынок эфира на данный момент поддерживается большинством крипто-рынков, которыми обросла сеть Bitcoin. Например, пользователи, которые когда-то покупали биткойн и другие электронные валюты на финансируемых за счет венчурного капитала платформы обмена, могут теперь покупать эфир на этих сайтах.

На сегодняшний день, для проведения прогнозирования криптовалюты эфира, у финансовых аналитиков большой интерес вызывают так называемые искусственные нейронные сети, которые представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам [2].

С помощью программы Deductor Studio, проведем прогнозирование курса эфира к доллару методом обратного распространения ошибки [1]. В качестве входных параметров модели будем использовать данные ETH/USD в период с 04.09.17 по 24.11.17. Данные взяты с сайта http://www.finam.ru/. Основываясь на исходных данных, проведем прогнозирование ETH/USD на неделю вперед. В таблице 1 частично представлены используемые входные данные за исследуемый период.

Таблица 1. Исходные данные ETH/USD с 04.09.17 по 24.11.17

Покажем изменения курса эфириума к доллару в период с 04.09.17 по 24.11.17 в виде графика (рис.1).

Рис. 1. Динамика Эфириума (ETH/USD) за 3 месяцев

После обработки исходных данных в программе Deductor Studio, была построена нейронная сеть, обучающаяся на основе метода обратного распространения ошибки. Исходная выборка (за 3 месяцев) была разбита на 2 группы. Первая – обучающая, вторая – тестовая. В качестве активационной функции выбрана сигмоида. В качестве остановки обучения нейронной сети использовалось условие распознания примера (если ошибка меньше 0.1) по достижению эпохи 10000.

После построения нейронной сети, были получены прогнозные значения курса ETH/USD. В таблице 2 представлены полученные прогнозные и реальные значения ETH/USD в период с 25.11.17 по 1.12.17.

Проанализировав полученные результаты, можно сделать вывод, что значения ETH/USD, полученные путем прогнозирования весьма приближены к их реальным значениям. Максимальные расхождения заметны в период с 29.11.17 по 01.12.17. Возможно, данное расхождение связано с резким понижением реального курса ETH/USD 29.11.17.

Список литературы

1. Баранова, М. А. Прогнозирование курса валюты на основе нейронных сетей / М. А. Баранова, Г. Р. Галиаскарова // Новоинфо. – 2017. – №59 – С. 244-247.
2. Барский, А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. – М.: Финансы и статистика, 2004. – 175 с.
3. Беляева, М. Б. Вычислимая имитационная модель анализа и оптимизации денежных потоков банковского отдела / М. Б. Беляева, Г. Ф. Аязгулова // Научный форум: экономика и менеджмент: сб. VI межд. заочн. науч-практич.конф. – Москва, 2017. – С. 51-62.
4. Галиаскарова, Г. Р. Расчет вероятности возникновения валютного кризиса с использованием энтропийного анализа / Г. Р. Галиаскарова, И. Л. Петров // Математические методы и модели в исследовании актуальных проблем экономики России: сб.межд. науч-практ. конф. Уфа. 2016. С. 217-220.
5. Еремин, Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления / Д. М. Еремин, И. Б. Гарцева. – М.: МИРЭА, 2004. – 75 с.
6. Исламгулова, А. Г. Адаптивная модель нейронных сетей и ее применение в моделировании финансовых рынков / А. Г. Исламгулова, А. Ф. Вахитова, М. Б. Беляева // Новая наука: история становления, современное состояние, перспективы развития: сб.межд. науч-практич.конф. – Пермь, 2017. – С. 3-7.
7. Чукавина, К. А. Проверка гипотезы о фрактальной структуре российского фондового рынка / К. А. Чукавина, Г. Р. Галиаскарова // Актуальные проблемы современных общественных наук. Социальный вектор развития государственного управления и экономики: сб.VI Всероссийской науч-практич. конф. мол. ученых. 2016. С. 169-173.