Порівняльний аналіз CNN моделей для задачі прогнозування курсу криптовалют

Скорочена інформація про документ
dc.contributor.advisorКанцедал, Георгій Олегович
dc.contributor.authorТарасова, Ганна Ігорівна
dc.date.accessioned2025-09-22T07:32:06Z
dc.date.available2025-09-22T07:32:06Z
dc.date.issued2025
dc.description.abstractДипломна робота: 89 с., 21 рис., 7 табл., 2 додатки, 13 джерел. Обʼєкт дослідження - процес прогнозування цін на криптовалюту за допомогою згорткових нейронних мереж (CNN). Предмет дослідження - архітектури згорткових нейронних мереж (CNN) та їх застосування до різних типів вхідних даних: зображень свічкових графіків та числових часових рядів. Мета роботи - провести порівняльний аналіз ефективності двох підходів до прогнозування курсу криптовалют на основі CNN: моделі, що працює із зображеннями (CNN 2D), та моделі, що працює з числовими рядами (CNN 1D), з метою виявлення їхніх переваг, недоліків та практичної придатності для фінансового аналізу. У процесі виконання роботи було здійснено збір, обробку та підготовку даних з біржі Binance, реалізовано підключення до бази даних PostgreSQL для зберігання та вибірки історичних котирувань. Побудовано та навчено дві архітектури згорткових нейронних мереж: одну для зображень свічкових графіків, іншу — для числових рядів. Проведено оцінювання моделей за метриками MAE та MSE, побудовано графіки реальних та передбачених значень, а також здійснено аналіз похибок. Порівняння результатів показало, що модель CNN 1D демонструє кращу точність при роботі з числовими рядами, тоді як CNN 2D краще візуалізує загальні тренди, але поступається за точністю прогнозу. Отримані висновки можуть бути використані для подальшого розвитку автоматизованих систем фінансового прогнозування на основі глибокого навчання.
dc.description.abstractotherThesis : 89 pages, 21 figures, 7 tables, 2 appendices, 13 references. Object of research: the process of forecasting cryptocurrency prices using convolutional neural networks (CNN). Subject of research: architectures of convolutional neural networks (CNN) and their application to different types of input data: candlestick chart images and numerical time series. Aim of the thesis: to conduct a comparative analysis of the effectiveness of two approaches to cryptocurrency price forecasting based on CNNs: one model that operates on image data (CNN 2D) and another that works with numerical time series (CNN 1D), in order to identify their advantages, limitations, and practical applicability for financial analysis. During the study, historical data from the Binance exchange was collected, processed, and stored using a PostgreSQL database. Two convolutional neural network architectures were implemented and trained: one for image-based input (candlestick charts) and one for numerical data. The models were evaluated using MAE and MSE metrics. Visual comparisons of actual versus predicted prices and error distribution analysis were conducted. The comparison showed that the CNN 1D model provides more accurate forecasts for numerical time series, while the CNN 2D model offers better visual representation of trends but demonstrates lower prediction accuracy. The obtained results may serve as a basis for further development of automated financial forecasting systems based on deep learning methods.
dc.format.extent89 с.
dc.identifier.citationТарасова, Г. І. Порівняльний аналіз CNN моделей для задачі прогнозування курсу криптовалют : дипломна робота … бакалавра : 124 Системний аналіз / Тарасова Ганна Ігорівна. – Київ, 2025. – 89 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76191
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectкриптовалюта
dc.subjectчасові ряди
dc.subjectзгорткові нейронні мережі
dc.subjectпрогнозування
dc.titleПорівняльний аналіз CNN моделей для задачі прогнозування курсу криптовалют
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Tarasova_bakalavr.pdf
Розмір:
10.22 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи