CC BY
23
УДК 511.75
Сидоров Е.В. студент магистратуры 2 курса факультет «Информатики и вычислительной техники» ФГБОУ ВО «Чувашский государственный университет им. И.Н.
Ульянова»
научный руководитель: Желтов В.П.
профессор кафедры Россия, Чувашская Республика, г. Чебоксары КРИПТОВАЛЮТЫ И СПОСОБЫ ПРОГНОЗИРОВАНИЯ ИХ КУРСА
Аннотация: За последние несколько лет криптовалюты прошли путь от средств обмена для энтузиастов, до признания полноценными платежными системами на уровне государств. Сегодня существуют специализированные криптовалютные биржи для ведения торгов частными инвесторами, которые по своей сути являются аналогами традиционных финансовых бирж. В результате, как и в случае с любым другим финансовым инструментом, рынок криптовалют представляет собой со сложную динамическую систему, анализ которой возможен на основе исторических данных - соответствующих временных рядах. Данная статья посвящена рассмотрению особенностей прогнозирования курса криптовалют.
Ключевые слова: рыночная капитализация, биткоин, объем торговли, индексы, криптобиржа, криптовалюта, криптоактив, прогноз.
Sidorov E. V. graduate student
2nd year, faculty of "Computer science and computing" FSBEI of HE "Chuvash State University. I.N. Ulyanova Russia, Chuvash Republic, Cheboksary Scientific adviser: V. Zheltov Professor of the Department CRYPTOCURRENCIES AND WAYS TO PREDICT THEIR RATE
Annotation: Over the past few years, cryptocurrencies have gone from the means of exchange for enthusiasts to the recognition of full-fledged payment systems at the state level. Today, there are specialized crypto-currency exchanges for trading by private investors, which are inherently analogues of traditional financial exchanges. As a result, as in the case of any other financial instrument, the cryptocurrency market is a complex dynamic system, the analysis of which is possible on the basis of historical data - the corresponding time series. This article deals with the peculiarities of forecasting the course of the cryptocurrency.
Keywords: market capitalization, bitcoin, trading volume, indices, crypto-exchange, cryptocurrency, crypto-asset, forecast.
Криптовалюта представляет собой систему виртуальных, то есть, цифровых денег. При обращении криптовалют как системы цифровых денег используются криптографические элементы, например, электронная подпись.
Единицей криптовалюты служит монета (coin), которая существует исключительно в цифровой форме. Основным отличием криптовалюты от реальных денег является способ ее появления в цифровом пространстве. Обычная валюта сначала вносится на определенный счет, а криптовалюта сама создается в сети Интернет.
Основные операции, которые можно совершать с криптовалютой, — транзакции, происходят между пользователями без участия третьей стороны. Обращение криптовалюты происходит с использованием системы блокчейн. Эта система представляется в виде распределенной по миллионам персональных компьютеров во всем мире базы данных. Хранение и изменение информации в ходе обращения криптоденег производится на всех устройствах сразу, именно это является гарантией абсолютной прозрачность и открытости производимых операций.
Для прогнозирования курса криптовалют широко используется фундаментальный и технический анализ.
Фундаментальный анализ — это методология, используемая инвесторами, в которой оценивается реальная стоимость инвестиций, а затем сравнивается со спекулятивной ценой на финансовых рынках, чтобы оценить потенциал будущего роста цен или убытков. Он основан на предположении, что краткосрочная цена может сильно отличаться от базовой стоимости из -за характера финансовых рынков, но в течение более длительного времени они будут стремиться к совпадению.
Технический анализ ценовых графиков для торговли проводится с целью получения более быстрой прибыли на крипторынке. Основными показателями технического анализа являются линии тренда, фракталы, RSI, стохастика, MACD и простые, и экспоненциальные скользящие средние — это некоторые основные способы измерения сопротивления/поддержки, момента и направления цены.
Оптимальный результат получается при использовании результатов технического и фундаментального анализа в совокупности.
Большой популярностью для прогнозирования курсов криптовалют пользуется метод создания эконометрической модели, описывающей связь курса валюты с факторами, которые влияют на ее движение. Для составления эконометрической модели, как правило, применяют величины из экономической теории, однако при расчетах могут использоваться любые другие переменные, оказывающие на обменный курс существенное влияние.
В качестве примера ниже представлен пример построения модели линейной регрессии для краткосрочного прогнозирования курса биткоина по отношению к доллару США.
В таблице представлена динамика курса биткоина за период 1 - 10 декабря 2018 г.
Таблица 1
Дата
1.12.2018 2.12.2018 3.12.2018 4.12.2018 5.12.2018 6.12.2018 7.12.2018 8.12.2018 9.12.2018 10.12.2018
Курс BTC /
USD $4,105.79 $4,200.73 $4,057.43 $3,989.84 $3,934.32 $3,795.65 $3,459.96 $3,448.73 $3,537.09 $3,586.59
Используем надстройку Excel Анализ данных - Регрессия для таблицы.
1 Регрессионная слк| \тистина
Множественный Н 0,909809033
Р-квадрат 0,827752477
Нормированный ГЗ-квадрат 0,806221537
Стандартная ошибка 125,0944528
Наблюдения 10
Дисперсионный анализ
df SS MS F ачимость F
Регрессия 1 601608 601608 38,44479 0,000259
Остаток 8 125189 15648,62
Итого 9 726797
Коэффиц иент ь i артная опатисти *-Зн очен ui ижн ueS5î ?рхние Э5' 1 жние 95,Срхние Э5,С
У-пересенение 4281,282667 85,45578 50,09939 2,79 Е 11 4084,221 4478,344 4084,221 4478,344
Переменная X 1 -85,3944S4S5 13,77245 -6,20039 0,000259 -117,154 -53,6352 -117,154 -53,6352
Найдем МНК-оценки параметров уравнения регрессии вида:
у — ао + а1х1
МНК-оценки параметров возьмем из рисунка, столбца "Коэффициенты": а0=4281,28, а1= - 85,39.
Построим уравнение линейной регрессии:
у — 4281,28 - 85,39 х1
Найдем коэффициент детерминации, скорректированный коэффициент детерминации, множественный коэффициент корреляции, среднюю относительную ошибку аппроксимации.
Рассчитаем среднюю относительную ошибку аппроксимации, совершив перед этим предварительные расчеты:
А в с
1 п/п Курс ВТС / ивО Аср
2 1 4105,79 0,0219442
3 2 4200,73 0,0214811
4 3 4057,43 0,0079683
5 4 3989,84 0,0125657
6 5 3934,32 0,0203364
7 6 3795,65 0,0070434
£ 7 3459,96 0,0646138
9 3448,73 0,0433194
10 9 3537:09 0,0068864
11 10 3586,59 0,0444021
12 Аср 0,2505607
14
А коэффициент детерминации, скорректированный коэффициент детерминации, множественный коэффициент корреляции возьмем из таблицы
«Регрессионная статистика». Проанализируем полученные результаты:
Таблица 2
Характеристика уравнения Значение Вывод
Я 0,909809033 линейная корреляционная связь между результативной переменной у и переменной х - сильная
Я2 0,827752477 формирование стоимости биткоина на 82, 77 % зависит от даты, 13,23 % приходятся на другие факторы, не включенные в модель
R2скорр 0,806221537 -
А 25,06 % уравнение линейной регрессии имеет достаточную точность
Дадим экономическую интерпретацию параметров уравнения регрессии.
Таблица 3
Параметр Оценка параметра Интерпретация
а0 4281,28 не имеет экономической интерпретации
а1 -85,39 Средний курс биткоина уменьшается на 85,39 долл. каждый день при условии сохранения имеющейся тенденции
На графике представлена геометрическая интерпретация модели, а также прогнозные значения.
Курс BTC / USD
4300
4100
3900
3700
3500
Ж Курс BTC / USD -Linear (Курс BTC / USD)
3300
3100
2900
2700
2500
26/11/2018 01/12/2018 06/12/2018 11/12/2018 16/12/2018
Рис. 1. Геометрическая интерпретация модели
Подводя итог, необходимо отметить весьма высокий уровень перспективности моделирования процессов, связанных с динамикой рынка криптовалют.
Также следует отметить крайне низкий уровень развития рынка криптовалют в РФ, в настоящее время имеет место невысокий уровень востребованности со стороны бизнес-сообщества на подобного рода модели.
Тем не менее, учитывая динамично растущий спекулятивный спрос на рынке криптовалюты, а также полагаясь на возросшую в последнее время активность со стороны государственных регуляторов в сфере легализации рынка криптовалюты в РФ, интерес и важность к подобного рода инструментарию приобретает повышенную актуальность.
1. Грачёв И.Д., Митин И.Н. Реально-виртуальный рынок и его оптимизация // Экономический анализ: теория и практика. 2013. № 18 (321). С. 13-20.
2. Ельшин Л. А., Абдукаева А. А. Возможности ускорения деловой активности экономических агентов на основе криптотранзакций. Методы, механизмы и факторы международной конкурентоспособности национальных экономических систем. Междунар. науч.-практ. конф. (Казань, 21 октября 2017 г.). Ч. 1. Уфа: Аэтерна; 2017:88-91. URL: https://aeterna-ufa.ru/sbornik/NK-EC-72-1.pdf (дата обращения: 17.11.2018).
3. Леви Д.А. Перспективы признания и развития криптовалют в Европейском Союзе и странах Европы // Управленческое консультирование. 2016. № 9. С. 148-158.
4. Фантаццини Д., Нигматуллин Э.М., Сухановская В.Н., Ивлиев С.В. Все, что вы хотели знать о моделировании биткоина, но боялись спросить. Часть I. // Прикладная эконометрика. 2016. Т. 44. С.5-24.
Использованные источники:
