Прогнозирование цены криптовалют с использованием технологий машинного обучения: LSTM против KAN

Технологии машинного обучения (ML), с высокой точностью прогнозируют сложное нелинейное поведение волатильного рынка криптовалют. Однако, существует острая необходимость в разработке моделей, которые не только обеспечивают высокую точность прогнозирования, но и демонстрируют надежную интерпретируемость полученных результатов. Как одна из самых передовых технологий искусственного интеллекта (ИИ), сеть Колмогорова-Арнольда (KAN) выступает в качестве многообещающей альтернативы традиционным технологиям ML, открывая новые возможности для повышения интерпретируемости моделей ИИ. Цель исследования – провести сравнительный анализ точности моделей прогнозирования цены криптовалют Биткойн (BTC), Эфириум (ETH), Лайткойн (LTC): 1) на основе рекуррентной нейронной сети (LSTM); 2) на основе нейронной сети Колмогорова-Арнольда (KAN), c учетом различных показателей адекватности (метрики точности) моделей. Результаты свидетельствуют о том, что для криптовалют BTC и ETH, модель прогнозирования KAN превосходит по всем рассмотренным показателям адекватности, модель прогнозирования LSTM, что говорит о высоком прогнозном потенциале модели KAN. С практической точки зрения, полученные результаты представляют несомненный интерес в вопросах разработки эффективной инвестиционной политики на рынке криптовалют, основанной на точных прогнозах цены криптовалют. Точное прогнозирование цены криптовалют важно для участников рынка по ряду причин, таких как построение торговых стратегий, управление рисками, определение цен, анализ настроений рынка и бизнес-приложения. Понимание динамики основных криптовалют имеет решающее значение также для политиков, учитывая их влияние на инвестиционные стратегии, эффективность рынка и нормативный надзор.