Оценка влияния новостных событий в модели прогнозирования цен на криптовалюты

В данном исследовании рассматривается интеграция анализа настроения людей, основанного на новостях, в модель прогнозирования цен криптовалют с помощью техник машинного обучения - Long Short-Term Memory (LSTM). Ис- следуя пять основных криптовалют - Bitcoin, Ethereum, Binance Coin, XRP и Doge Coin, - мы стремимся повысить точность прогнозирования путем добав- ления ежедневных новостных оценок, полученных из заголовков статеи. Исто- рические данные о ценах криптовалют и новостях были собраны и обработаны с помощью модуля GNews и библиотеки TextBlob в Python, соответственно. Результаты показывают значительное снижение среднеи абсолютнои ошибки (MAE) для Bitcoin и XRP при включении оценки новостных настроении: (MAE) Bitcoin снизился на 23%, в то время как (MAE) XRP - на 6,3%. Однако влияние на Ethereum, Binance Coin (BNB) и Dogecoin было минимальным, что объясня- ется такими проблемами, как неоднозначность ключевых слов поиска и харак- тер полученных новостеи. Торговая симуляция продемонстрировала хорошую практическую применимость модели, особенно для Bitcoin, обеспечив рост из- начальных вложении на 225% за 280 днеи. Данное исследование предоставляет ценные сведения в области прогнозирования цен на криптовалюты. Более то- го, оно открывает возможности для дальнеиших исследовании, которые будут способны повысить точность прогностических моделеи и обеспечить разработку более надежных инструментов для треидеров и инвесторов на быстро развива- ющемся криптовалютном рынке.