COMPARISON OF NEURAL NETWORK MODELS FOR PREDICTION CRYPTOCURRENCY PRICE VOLATILITY IN TRADING PAIRS

Аннотация

Увеличение цифровизации финансовых рынков и рост торговых пар Web3 существенно повлияли на торговлю активами, создавая новые вызовы в прогнозировании волатильности цен. Традиционные стратегии управления рисками зачастую не справляются с непредсказуемой природой криптовалютных рынков. В данном исследовании рассматривается применение передовых моделей машинного обучения для прогнозирования волатильности цен в криптовалютных торговых парах. Мы сравниваем эффективность моделей Temporal Fusion Transformer (TFT), Temporal Convolutional Network (TCN), XGBoost, Random Forest и гибридной модели CNN-LSTM. Наши результаты показывают, что модели TFT и гибридная CNN-LSTM превосходят традиционные рекуррентные нейронные сети в улавливании сложных рыночных динамик, способствуя улучшению стратегий управления рисками в высокочастотной торговле криптовалютами.