Інформаційна технологія визначення впливу дописів в соціальних мережах на курси криптовалют
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Мягкий М.Ю. Інформаційна технологія визначення впливу дописів в соціальних мережах на курс криптовалют - Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 126 – Інформаційні системи та технології в галузі знань 12 – Інформаційні технології – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. Дисертаційна робота присвячена розробці інформаційної технології інтелектуального аналізу даних для прогнозування курсу криптовалют на основі впливу публікацій у соціальних мережах. Актуальність дослідження обумовлена зростанням обсягів інформації про криптовалюти, високою волатильністю ринку та відсутністю інструментів перевірки достовірності контенту, що поширюється в інформаційному просторі. Відповідно до цього, виникає необхідність у створені інформаційної технології, здатної аналізувати поведінкові фактори, оцінювати публікації експертів і враховувати їх емоційне забарвлення, з метою підвищення точності прогнозів і зниження ризиків для інвесторів. Запропонована інформаційна технологія базується на методах машинного навчання, статистичного аналізу даних, а також багато-агентному підході, що забезпечує побудову якісних рекомендаційних моделей для прийняття рішень на ринку криптовалют. У першому розділі наведено огляд сучасного стану розвитку інформаційних технологій у сферах фінансового аналізу та прогнозування, зокрема щодо криптовалютних ринків. Розглянуто основні підходи до побудови систем інтелектуального аналізу даних, що використовуються для дослідження динаміки курсів криптовалют та впливу зовнішніх факторів, таких як публікації у соціальних мережах. Наведено огляд сучасних наукових досліджень і практичних розробок у галузі прогнозування курсів криптовалют із застосуванням методів машинного навчання, статистичного аналізу та обробки природної мови. Виконано аналіз переваг і обмежень існуючих моделей прогнозування, визначено їхню ефективність у реальних ринкових умовах. Окрему увагу приділено використанню багатоагентних систем і нейронних мереж для автоматизованої обробки даних, ранжування експертів та формування рекомендаційних висновків. В рамках даного розділу встановлено, що: – застосування машинного навчання у поєднанні з методами поведінкового аналізу дозволяє підвищити точність прогнозів та забезпечити адаптивність системи до мінливих ринкових умов; – зростання ролі криптовалют у глобальній економіці та потреба у достовірних прогнозах визначають необхідність подальшого розвитку інформаційних технологій у напрямі створення гібридних моделей, здатних ефективно інтегрувати різні джерела даних і враховувати поведінкові чинники впливу на ринок. У другому розділі виконаного наукового дослідження здійснено огляд, порівняння, аналіз існуючих методів прогнозування курсу криптовалют і аналізу публікацій у соціальних мережах; надано обґрунтування обрання апарату дослідження, застосованого в процесі проєктування інформаційної технології прогнозування курсу криптовалют на основі експертних дописів; отримано нові алгоритмічні моделі та визначено архітектуру інформаційної технології. Наведено моделі кооперативного та послідовного врахування впливів експертів адекватно відтворюють інформаційну взаємодію між «гравцями» ринку (експертами, каналами, індикаторами), що дозволяє трактувати експертів як агентів з вагами впливу, враховують інформаційні обмеження та способи їхнього впливу на попит/пропозицію. Проведено огляд і порівняльний аналіз одноагентного і багатоагентного підходів до оброблення даних і прийняття рішень відносно подальших фінансових операцій. Встановлено, що одноагентний підхід до агрегування даних і керування вагами експертів порівняно з багатоагентним має переваги у контролі якості, простоті інтеграції джерел і безпеці даних. В розділі наведено два основні модулі – аналітична та обробки даних, що входять до складу інформаційної технології. Аналітичний модуль включає в себе побудований базовий алгоритм АУДСМ (алгоритм прогнозування з урахуванням дописів експерта в соціальних мережах) та його модифікації. Модуль обробки даних складається з алгоритмів: визначення часових проміжків; експертів та їх ранжування; визначення криптовалют та їх бірж; визначення джерел інформації. В рамках даного модуля застосовуються: апарати теорії алгоритмів, теорії ймовірностей, математичної статистики, інтелектуального аналізу даних і СППР. Реалізовано повний конвеєр обробки текстів: очищення (видалення шумових символів, посилань, спецсимволів, HTML-тегів), нормалізація, токенізація та векторизація (BERT), визначення емоційної забарвленості (позитивна/нейтральна/негативна), синхронізація часових міток публікацій з ринковими даними. В якості метрики точності прогнозу використано MAPE. В розділі наведено результати експериментального порівняння покращення показників точності отриманого алгоритму АУДСМ з результатами ARIMA та експоненційного згладжування, що демонструє суттєво меншу похибку MAPE та кращу узгодженість прогнозів. Описано практичне застосування АУДСМ, що дозволяє формувати рекомендації відносно дій користувача з активом (утримувати/придбати/продати) на основі інтеграції ринкових і соціальних сигналів. Описано модифікації АУДСМ для роботи в умовах ризику та невизначеності: АУДОЕСМ, АПУДГЕСМ. В даному розділі наукового дослідження детально розглянуто дві ситуації: рішення приймаються в умовах ризику (хибний добір експертів, цілеспрямована дезінформація), та рішення приймаються в умовах невизначеності (висока нестабільність ринку, неповнота факторів, мем-/треш-коїни). Для досягнення даної мети було використано модифікації АУДСМ: – АУДОЕСМ: алгоритм з урахуванням дописів основного експерта; забезпечує фокусування на найбільш впливовому експерті та зменшує шум у вузьких часових інтервалах. – АПУДГЕСМ: алгоритм з урахуванням дописів групи експертів; моделює кооперативний вплив і підвищує стійкість оцінок. Для кожної модифікації виконано інтеграцію сигналів сентимент-аналізу з часовими рядами (ARIMA/LSTM), уточнено правила масштабування ваг експертів і часових лагів. Наведено аналіз ефективності: найвищі результати серед розглянутих реальних сценаріїв демонструють модифікації, що одночасно враховують ризики та невизначеність, із перевагою за MAPE над базовими ARIMA та методами експоненційного згладжування. В рамках даного розділу встановлено, що: – Результати використовуються для формування рекомендацій щодо подальших фінансових дій користувача відносно криптоактивів (утримувати, купити або продати) та інтегруються в архітектуру аналітичного модуля рекомендаційної системи. – Базовий алгоритм АУДСМ є основою для всіх модифікацій; останні підвищують якість прогнозу в альтернативних умовах інформаційного середовища і ринку. У третьому розділі виконаного наукового дослідження проведено порівняльний аналіз середовищ і підходів, придатних для симуляції процесів формування курсу криптовалют та оцінювання ефективності алгоритмів прогнозування. Для проведення експериментів створено власне симуляційне середовище на мові Python, яке моделює поведінку гравців ринку, що взаємодіють із обраною криптовалютою шляхом купівлі, продажу або утримання активу. Кожен гравець у симуляції має власну стратегію прийняття рішень і рівень раціональності, а також можливість враховувати або ігнорувати публікації експертів у соціальних мережах. Це дозволяє дослідити, як інформаційні чинники впливають на зміну ринкової динаміки та, відповідно, на формування курсу криптовалюти. В описаній моделі реалізовано динамічну взаємодію користувачів, яка призводить до коливань курсу, що відтворюють типову ринкову поведінку. Симуляція дозволяє наочно продемонструвати, що публікації експертів є одним із ключових факторів впливу на цінові коливання, особливо у короткостроковій перспективі. Паралельно з формуванням курсу відбувається незалежне прогнозування за допомогою різних алгоритмів, зокрема АУДСМ, його модифікацій (АУДОЕСМ, АПУДГЕСМ), а також традиційних статистичних моделей (ARIMA, експоненційне згладжування). Оцінювання точності прогнозів здійснювалося за допомогою метрик MAPE та аналогічних показників, що дозволило кількісно порівняти якість різних підходів. Представлено серію експериментів, у яких симульовано динамічне формування курсу з подальшою оцінкою точності прогнозів у режимі реального часу. Додатково проведено реальні дослідження на прикладі криптовалюти DOGE із використанням історичних даних біржі Binance та публікацій Ілона Маска за 2021 рік, які продемонстрували статистично значущий вплив дописів на зміну курсу. В рамках дослідження використано нейронну мережу типу LSTM (Long Short-Term Memory), здатну враховувати часові залежності та контекст послідовних подій. Це дозволило покращити реакцію моделі на короткострокові інформаційні імпульси, що особливо важливо при аналізі ефекту публікацій у соціальних мережах. Проведені експерименти показали, що якість прогнозів суттєво зростає у випадках, коли враховується емоційна та інформаційна складова публікацій саме у моменти їхнього впливу. В рамках даного розділу встановлено, що: – отримані результати підтвердили ефективність розроблених алгоритмів: прогнозовані значення виявилися більш точними та ближчими до фактичних, ніж у класичних методів. Це свідчить про доцільність використання інформаційного аналізу публікацій у поєднанні з часовими рядами для підвищення точності прогнозування курсу криптовалют; – практичне застосування запропонованої симуляційної моделі та розроблених алгоритмів полягає у створенні торгових стратегій, формуванні рекомендацій для інвесторів та проведенні аналітики ринкових трендів з урахуванням поведінкових та інформаційних факторів. У четвертому розділі дисертаційного дослідження значну увагу приділено питанням обробки, збереження та інтеграції даних, необхідних для реалізації інформаційної технології прогнозування курсу криптовалют на основі аналізу публікацій у соціальних мережах. Як основний інструмент проєктування багаторівневої архітектури системи обрано мову програмування Python та фреймворк FastAPI, що забезпечує ефективну взаємодію між компонентами обробки даних, алгоритмічними модулями та базами даних. В даному розділі наведено діаграму класів інформаційної технології прогнозування, описано архітектуру взаємодії між модулями збору, очищення, збереження та аналітики даних, а також описано інтеграцію з API соціальних мереж і криптовалютних бірж. Для забезпечення стабільності обміну потоками даних описано побудову модифікації структури на основі Kafka Connect, що дозволяє здійснювати обробку великих обсягів інформації в реальному часі. Також представлено схему інформаційної технології прогнозування курсу криптовалют, що базується на поєднанні інтелектуального аналізу текстів, обробки часових рядів і нейронних мереж типу LSTM. Ця схема передбачає три основні рівні: – рівень збору даних (отримання інформації з соціальних мереж і біржових платформ); – рівень обробки (очищення, нормалізація, визначення сентименту, векторизація текстів, побудова часових зв’язків); – рівень аналітики та прогнозування (застосування алгоритмів АУДСМ і його модифікацій для побудови прогнозів і формування рекомендацій). Отримані результати мають як теоретичне, так і практичне значення. Запропоновані методи, алгоритми та архітектурні рішення можуть стати основою для побудови інтелектуальних аналітичних систем, здатних прогнозувати поведінку криптовалютних ринків і надавати користувачам рекомендації щодо прийняття фінансових рішень на основі комплексного аналізу даних соціальних мереж і ринкової динаміки.
Опис
Ключові слова
інформаційна технологія, курс криптовалюти, СППР, прогнозування, NLP, Big Data, інтелектуальний аналіз даних, статистичний аналіз, машинне навчання, продуктова аналітика, вплив публікацій, соціальні мережі, ранжування експертів, information technology, cryptocurrency exchange rate, DSS, data mining, statistical analysis, machine learning, product analytics, publication influence, social networks, expert ranking
Бібліографічний опис
Мягкий, М. Ю. Інформаційна технологія визначення впливу дописів в соціальних мережах на курс криптовалют : дис. … д-ра філософії : 126 Інформаційні системи та технології / Мягкий Михайло Юрійович. – Київ, 2026. – 243 с.