УДК 336.761
DOI: 10.36871/ek.up.p.r.2025.11.06.020

Авторы

Полина Александровна Якоб,
Санкт-Петербургский политехнический университет Петра Великого, СанктПетербург, Россия
Мариам Амбарцумовна Восканян,
Российско-Армянский (славянский) университет, Ереван, Армения

Аннотация

В статье рассматривается комбинированная методика прогнозирования цен криптовалют, интегрирующая модель ARIMA и энтропийный анализ новостного потока для одновременного учёта исторической динамики и информационного фона. Показано, что синхронизация ценовых временных рядов с энтропийными индикаторами новостей повышает точность определения направления движения цены на 15–20% по сравнению с чисто статистическими моделями. Обоснована ограниченность традиционных подходов и обозначены перспективы применения энтропийно-информационных показателей в системах риск-менеджмента и алгоритмической торговле на высоковолатильных рынках.

Ключевые слова

криптовалютный рынок, прогнозирование, ARIMA, энтропийный анализ, KL-дивергенция, новостной фон, волатильность, риск-менеджмент

Список литературы

  1. Tetlock P. C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market // The Journal of Finance. – 2007. – Vol. 62, № 3. – P. 1139–1168. – DOI: 10.1111/j.1540- 6261.2007.01232.x.
  2. Погорелова П. В. Исследование влияния индексов неопределенности на волатильность Bitcoin с помощью ARDL-модели // Прикладная эконометрика. – 2024. – Т. 74. – С. 35–50. – DOI: 10.22394/1993-7601-2024-74-35-50.
  3. Родионов Д. Г., Пашинина П. А., Конников Е. А. Модель влияния информационной среды финансового рынка на основные параметры финансовых активов // Экономические науки. – 2022. – № 213. – С. 74–84.
  4. Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung G. M. Time Series Analysis: Forecasting and Control. – 5th ed. – Hoboken, NJ: Wiley, 2015. – 712 p. – URL: https://onlinelibrary.wiley.com/doi/ book/10.1002/9781118619193
  5. Kullback S., Leibler R. A. On Information and Sufficiency // The Annals of Mathematical Statistics. – 1951. – Vol. 22, № 1. – P. 79–86. – DOI: 10.1214/aoms/1177729694.
  6. Крылов Г. О. Сравнительный анализ волатильности криптовалют и фиатных денег // Финансы: теория и практика. – 2018.
  7. Родионов Д. Г., Конников Е. А., Шадров К. С. Инструменты анализа влияния эмоциональной окраски новостного фона на изменение курса криптовалют // Экономические науки. – 2022. – № 211. – С. 139–160.
  8. Engle R. F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation // Econometrica. – 1982. – Vol. 50, № 4. – P. 987–1007. – DOI: 10.2307/1912773.
  9. Белоусов Ю. В. Биткоин и формы денег: вопросы теории // Финансовый журнал. – 2024. – Т. 16, № 2. – С. 114–132.
  10. Bollen J., Mao H., Zeng X. Twitter mood predicts the stock market // Journal of Computational Science. – 2011. – Vol. 2, № 1. – P. 1–8. – DOI: 10.1016/j.jocs.2010.12.007.
  11. Горбачева Т. А. Понятие стейблкоинов и актуальное состояние рынка // Финансовый журнал. – 2022. – № 1. – С. 132–147.
  12. Родионов Д. Г., Пашинина П. А., Конников Е. А. Автоматизированный алгоритм квантификации информационной среды финансового рынка // Экономические науки. – 2022. – № 212. – С. 134–139.
  13. Kristoufek L. What Are the Main Drivers of the Bitcoin Price? Evidence from Wavelet Coherence Analysis // PLOS ONE. – 2015. – Vol. 10, № 4. – e0123923. – DOI: 10.1371/journal.pone.0123923.
  14. Бывшев В. А. Оценка волатильности основных криптовалют, евро и прямого обменного курса рубля // Финансы: теория и практика. – 2024. – URL: https://financetp.fa.ru/jour/article/view/2685
  15. Katsiampa P. Volatility estimation for Bitcoin: A comparison of GARCH models // Economics Letters. – 2017. – Vol. 158. – P. 3–6. – DOI: 10.1016/j.econlet.2017.06.023.
  16. Родионов Д. Г., Пашинина П. А., Конников Е. А. Системное моделирование технологий анализа и обработки данных с использованием интегрированных алгоритмов машинного обучения: монография. – СПб.: б.и., 2024. – 180 с.
  17. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. – 1986. – Vol. 31, № 3. – P. 307– 327. – DOI: 10.1016/0304-4076(86)90063-1.
  18. Кочергин Д. А., Соколов Б. П. Криптоактивы: экономическая природа, классификация и подходы к регулированию // Вестник международных организаций (International Organisations Research Journal). – 2022. – С. 7–30. – URL: https://iorj.hse.ru/data/2022/10/05/1743667730/4_ Kochergin%203%20OF.pdf
  19. Shannon C. E. A Mathematical Theory of Communication // Bell System Technical Journal. – 1948. – Vol. 27, № 3–4. – P. 379–423; 623–656. – DOI: 10.1002/j.1538-7305.1948.tb01338.x.
  20. Родионов Д. Г., Конников Е. А., Поляков П. А. Спецификация регрессионного анализа воздействия информационной среды на финансовые показатели компании // Программные системы и вычислительные методы. – 2025. – № 3. – С. 31–44.
  21. Санникова И. А. Факторы риска использования криптоактивов в России и мире // Финансовый журнал. – 2022. – № 6. – С. 124–138.