Моделирование и прогнозирование вероятности закрытия криптобирж: комбинированный подход к прогнозированию

Популярность криптовалютных бирж стремительно возросла в последние годы, с появлением множества новых цифровых платформ и токенов. Однако вопрос кредитного риска и надежности криптовалютных бирж остается актуальным, создавая необходимость в своего рода индикаторе, позволяющем определить, безопасно ли инвестировать через конкретную биржу. Мы изучили уникальный, собранный вручную набор данных, включающий 228 бирж, функционирующих с апреля 2011 года по май 2024 года. Используя различные алгоритмы машинного обучения, мы проанализировали ключевые факторы, приводящие к закрытию бирж. Наибольшее значение имели объем торгов, срок существования биржи и степень защищенности системы. Однако отдельные алгоритмы машинного обучения склонны выявлять различные особенности данных и, следовательно, делать слегка разные ошибки. В этом отношении мы применяем метод объединения прогнозов, агрегируя несколько предиктивных распределений. Были исследованы несколько спецификаций обобщенного линейного пула, а также линейного пула, трансформированного по бета-распределению, и бета-смеси. Результаты показали, что наилучшим методом является BLP с улучшением точности прогноза примерно на 4,1% на основе устойчивой H-меры, которая учитывает проблему неверной классификации в условиях несбалансированных классов.