| Title: | Сравнительный анализ и оценка устойчивости математических моделей при прогнозировании курсов криптовалют в условиях автогенерации данных |
| Other Titles: | Comparative analysis and assessment of the stability of mathematical models in forecasting cryptocurrency rates in the conditions of autogeneration of data |
| Authors: | Салаш, А. А. |
| Keywords: | материалы конференций;криптовалюта;прогнозирование курсов;временные ряды;волатильность;автогенерация данных;ARIMA;LSTM;XGBoost;градиентный бустинг;метрика MAPE |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Салаш, А. А. Сравнительный анализ и оценка устойчивости математических моделей при прогнозировании курсов криптовалют в условиях автогенерации данных = Comparative analysis and assessment of the stability of mathematical models in forecasting cryptocurrency rates in the conditions of autogeneration of data / А. А. Салаш // Актуальные вопросы экономики и информационных технологий : сборник материалов докладов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 484–487. |
| Abstract: | В условиях высокой волатильности крипторынка точное прогнозирование курсов осложняется эффектом накопления ошибок при автогенерации данных. Работа посвящена сравнительному анализу моделей ARIMA, LSTM и XGBoost и оценке их устойчивости на разных временных горизонтах. В качестве экспериментальной базы используются реальные посуточные котировки Ethereum, а точность оценивается по метрике MAPE. Эксперименты показывают, что ARIMA эффективна только краткосрочно, а сеть LSTM запаздывает на пиках. Наибольшую устойчивость и минимальную ошибку в условиях автогенерации данных демонстрирует алгоритм градиентного бустинга XGBoost, доказывая свое превосходство над классическими подходами. Результаты исследования помогают в создании надежных торговых систем. |
| Alternative abstract: | In the highly volatile crypto market, accurate price forecasting is complicated by the accumulation of errors during automated data generation. This paper compares ARIMA, LSTM, and XGBoost models and assesses their robustness over different time horizons. Real daily Ethereum quotes are used as the experimental baseline, and accuracy is assessed using the MAPE metric. Experiments show that ARIMA is only effective in the short term, while the LSTM network lags at peaks. The XGBoost gradient boosting algorithm demonstrates the highest robustness and minimal error under automated data generation, proving its superiority over classical approaches. The results of the study can be used to develop reliable trading systems. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/65359 |
| Appears in Collections: | Актуальные вопросы экономики и информационных технологий : материалы 62-й научной конференции аспирантов, магистрантов и студентов (2026)
|
