Сравнительный анализ моделей прогнозирования криптовалютных рядов

в статье представлен сравнительный анализ современных подходов к прогнозированию динамики и волатильности криптовалютных рядов. Рассмотрены классические статистические модели (ARIMA, GARCH), методы сезонного прогнозирования (Prophet) и нейросетевые алгоритмы (LSTM, GRU), а также их гибридные архитектуры. Особое внимание уделено применимости моделей в условиях ограниченных выборок и высокой информационной чувствительности крипторынка. Показано, что ARIMA сохраняет значение интерпретируемого эталона для краткосрочного анализа, GARCH остаётся ключевым инструментом оценки волатильности, в то время как нейросетевые и гибридные подходы демонстрируют преимущества при больших данных, но ограничены по интерпретируемости. Работа вносит вклад в развитие методологии прогнозирования аномальных ценовых движений на децентрализованных рынках, обосновывая необходимость интеграции статистических и информационно-теоретических методов. Перспективы дальнейших исследований связаны с использованием энтропийного анализа и разработкой гибридных моделей для повышения точности и устойчивости прогнозов в условиях высокой неопределённости. Работа выполнена в рамках реализации проекта «Разработка методологии формирования инструментальнои? базы анализа и моделирования пространственного социально-экономического развития систем в условиях цифровизации с опорои? на внутренние резервы» (FSEG-2023-0008).

криптовалютный рынок, прогнозирование волатильности, ARIMA, GARCH, Prophet, LSTM, гибридные модели, аномальные ценовые движения, риск-менеджмент