МОДЕЛЬ ПРОГНОЗУВАННЯ ТИЖНЕВОЇ ЦІНИ ЗАКРИТТЯ БІТКОЇНА
Article Sidebar
Надіслано: 25-06-2025
Опубліковано: 31-10-2025
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
Основною метою дослідження є розробка методологічного підходу до прогнозування тижневої ціни закриття біткоїна з використанням кореляційно-індикаторної моделі. Основними завданнями дослідження визначено: виявити параметри, що здійснюють найбільший вплив на формування прогнозу тижневої ціни закриття біткоїна; установити комбінації параметрів, які дають найбільш точний прогноз, а також установити вплив кінцевих результатів і кількості наданих їм балів на успішність розробленої моделі прогнозування. У дослідженні розглянуто три типи прогнозів: щотижневий прогноз ціни закриття біткоїна, прогноз зростання ціни біткоїна після першої події падіння ціни та прогноз на падіння ціни біткоїна після першого випадку зростання ціни. В основу дослідження покладено щотижневу ціну закриття біткоїна (з розміром вибірки 346 тижнів від 2 квітня 2018 року до 11 листопада 2024 року), індикатор MACD та коефіцієнти кореляції Пірсона між історичними значеннями досліджуваних індикаторів. У ході дослідження була побудована й протестована модель прогнозування щотижневої ціни закриття біткоїна, яка показує ймовірність краще, ніж фактичні історичні результати; тривалість неуспішних прогнозів моделі суттєво нижчі, ніж серії протилежних рухів ціни біткоїна за історичними даними; за деякими тестами отримані 100% імовірності й нульові довжини прогнозів, які не збулися. Загалом, запропонований авторами підхід дозволив виявити параметри та набори параметрів, що мають найбільший вплив на якість прогнозування ціни біткоїна. Практичне застосування запропонованого підходу продемонструвало ефективність кореляційно-індикаторної моделі в роботі й з відомими, і з невідомими кінцевими даними, що сприяє її широкому застосуванню для прогнозування тижневої ціни закриття біткоїна в умовах невідомого майбутнього.
Article Details
Посилання
Akbar, S.B., Thanupillai, K., & Govindarajan, V. (2021). Forecasting Bitcoin price using time opinion mining and bi-directional GRU. Journal of Intelligent & Fuzzy Systems, 42(3), 1825–1833. https://doi.org/10.3233/JIFS-211217 DOI: https://doi.org/10.3233/JIFS-211217
Arslan, S. (2025) Bitcoin price prediction using sentiment analysis and empirical mode decomposition. Comput Econ 65, 2227–2248. https://doi.org/10.1007/s10614-024-10588-3 DOI: https://doi.org/10.1007/s10614-024-10588-3
Ateeq, K., Al Zarooni, A.A., & Rehman, A. (2023). A mechanism for Bitcoin price forecasting using deep learning. International Journal of Advanced Computer Science and Applications , 14(8), 441–448. https://doi.org/10.14569/IJACSA.2023.0140849 DOI: https://doi.org/10.14569/IJACSA.2023.0140849
Basher, S., & Sadorsky, P. (2022). Forecasting Bitcoin price direction with random forests: how important are interest rates, inflation, and market volatility? Machine Learning with Applications, 9(6). https://doi.org/10.1016/j.mlwa.2022.100355 DOI: https://doi.org/10.1016/j.mlwa.2022.100355
Benzekri, M.K., & Ozutler, H.S. (2021). On the predictability of Bitcoin price movements: a short-term price prediction with ARIMA. Journal of Economic Policy Researches, 8(2), 293–309. https://doi.org/10.26650/JEPR.946081 DOI: https://doi.org/10.26650/JEPR.946081
Cohen, G., & Aiche, A. (2025). Predicting the Bitcoin’s price using AI. Front Artif Intell, 8, 1519805. https://doi.org/10.3389/frai.2025.1519805 DOI: https://doi.org/10.3389/frai.2025.1519805
Critien, J.V., Gatt, A., & Ellul, J. (2022). Bitcoin price change and trend prediction through twitter sentiment and data volume. Financial Innovations, 8, 45. https://doi.org/10.1186/s40854-022-00352-7 DOI: https://doi.org/10.1186/s40854-022-00352-7
De Leon, L.G.N., Gomez, R.C., Tacal, M.L.G. et al. (2022). Bitcoin price forecasting using time-series architectures. 2022 International Conference on ICT for Smart Society (ICISS). Indonesia: Bandung, 1-6. https://doi.org/10.1109/ICISS55894.2022.9915199 DOI: https://doi.org/10.1109/ICISS55894.2022.9915199
Duy, P.Q., Nguyen, T.O., Le Thi, P.H. et al. (2024). Estimating and forecasting bitcoin daily prices using ARIMA-GARCH models. Business Analyst Journal, 45(1), 11–23. https://doi.org/10.1108/BAJ-05-2024-0027 DOI: https://doi.org/10.1108/BAJ-05-2024-0027
Guo, H., Zhang, D., Liu, S. et al. (2021). Bitcoin price forecasting: a perspective of underlying block chain transactions. Decision Support Systems, 151. https://doi.org/10.1016/j.dss.2021.113650 DOI: https://doi.org/10.1016/j.dss.2021.113650
Haolin, T. (2023). Bitcoin price forecasting using ARIMA model. Theoretical and Natural Science, 26, 105–112. https://doi.org/10.54254/2753-8818/26/20241030 DOI: https://doi.org/10.54254/2753-8818/26/20241030
Hartono, D.J., & Suyanto, S. (2023). Major determinants of Bitcoin price: application of a vector error correction model. Investment Management and Financial Innovations, 20(4), 257–271. https://doi.org/10.21511/imfi.20(4).2023.21 DOI: https://doi.org/10.21511/imfi.20(4).2023.21
Htay, H.S., Ghahremani, M., & Shiaeles, S. (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 DOI: https://doi.org/10.3390/app15031554
Ignatenko, A., & Dokiienko, L. (2025a). Analysis of the weekly clothing price of Bitcoin: influencing factors and trader’s forecasts. Economics and society, 71. https://doi.org/10.32782/2524-0072/2025-71-17 DOI: https://doi.org/10.32782/2524-0072/2025-71-17
Ignatenko, A., & Dokiienko, L. (2025b). Generating trader forecasts based on the dynamics of the minimum bitcoin price and the MACD histogram. International Scientific Journal “Internauka”, 1(93), 105–114. https://doi.org/10.25313/2520-2294-2025-1-10610 DOI: https://doi.org/10.25313/2520-2294-2025-1-10610
Ignatenko, A., & Dokiienko, L. (2025c). Practical use of the maximum price of bitcoin dynamics and the MACD histogram to formulate trader's forecasts. Investments: Practice and Experience, 1, 120–126. https://doi.org/10.32702/2306-6814.2025.1.120 DOI: https://doi.org/10.32702/2306-6814.2025.1.120
Jakubik, J., Nazemi, A., Geyer-Schulz, A. et al. (2022). Incorporating financial news for forecasting Bitcoin prices based on long short-term memory networks. Quantitative Finance, 23(2), 335–349. https://doi.org/10.1080/14697688.2022.2130085 DOI: https://doi.org/10.1080/14697688.2022.2130085
Jalali, F.M., & Heidari, H., (2020). Predicting changes in Bitcoin price using grey system theory. Financ Innov, 6. https://doi.org/10.1186/s40854-020-0174-9 DOI: https://doi.org/10.1186/s40854-020-0174-9
Kleban, Y., & Stasiuk, T. (2022). Crypto currency price forecast: neural network perspectives. Visnyk of the National Bank of Ukraine, 254, 31–45. https://doi.org/10.26531/vnbu2022.254.03 DOI: https://doi.org/10.26531/vnbu2022.254.03
Kervanci, S., Akay, F.M., & Özceylan, E. (2024). Bitcoin price prediction using LSTM, GRU and hybrid LSTM-GRU with bayesian optimization, random search, and grid search for the next days. Journal of Industrial and Management Optimization, 20(2), 570–588. https://doi.org/10.3934/jimo.2023091 DOI: https://doi.org/10.3934/jimo.2023091
Maleki, N., Nikoubin, A., Rabbani, M. et al. (2023). Bitcoin price prediction based on other cryptocurrencies using machine learning and time series analysis. Scientia Iranica, 30(1), 285–301. https://doi.org/110.24200/sci.2020.55034.4040
Omole, O., & Enke, D. (2024). Deep learning for Bitcoin price direction prediction: models and trading strategies empirically compared. Financial Innovations, 10. https://doi.org/10.1186/s40854-024-00643-1 DOI: https://doi.org/10.1186/s40854-024-00643-1
Pabuçcu, Н., Ongan, S., & Ongan, A. (2020). Forecasting the movements of Bitcoin prices: an application of machine learning algorithms. Quantitative Finance and Economics, 4(4), 679–692. https://doi.org/1 10.3934/QFE.2020031 DOI: https://doi.org/10.3934/QFE.2020031
Peng, S., Prentice, C., Shams, S. et al. (2024). A systematic literature review on the determinants of cryptocurrency pricing. China Accounting and Finance Review, 26(1), 1–30. https://doi.org/10.1108/CAFR-05-2023-0053 DOI: https://doi.org/10.1108/CAFR-05-2023-0053
Rudd, M.A., & Porter, D. (2025). A supply and demand framework for Bitcoin price forecasting. Journal of Risk and Financial Management, 18(2). https://doi.org/10.3390/jrfm18020066 DOI: https://doi.org/10.3390/jrfm18020066
Taegyum, K., Hyeontae, J., Woohyuk, C. et al. (2024, December 13). Bitcoin price direction forecasting and market variables. http://dx.doi.org/10.2139/ssrn.5053931 DOI: https://doi.org/10.2139/ssrn.5053931
Uras, N., Marchesi, L., Marchesi, M. et al. (2020). Forecasting Bitcoin closing price series using linear regression and neural networks models. PeerJ Computer Science, 6. https://doi.org/10.7717/peerj-cs.279 DOI: https://doi.org/10.7717/peerj-cs.279
Wahyuni, M.T., Ridwan, E., & Salim, D.F. (2024). US macroeconomic determinants of Bitcoin. Investment Management and Financial Innovations, 21(2), 240–252. https://doi.org/10.21511/imfi.21(2).2024.19 DOI: https://doi.org/10.21511/imfi.21(2).2024.19
Wang, Z. (2024). The impact of US macroeconomic factors on Bitcoin prices: a vector auto-regression (VAR) model analysis. Advances in Economics, Management and Political Sciences, 124, 82-88. https://doi.org/10.54254/2754-1169/2024.MUR17833 DOI: https://doi.org/10.54254/2754-1169/2024.MUR17833