Русские учёные научили нейросеть предсказывать курс биткойна с учётом эмоций

Учёные Пермского национального исследовательского политехнического университета (ПНИПУ) разработали уникальную нейросетевую модель, способную прогнозировать курс биткойна с учётом эмоционального фона на рынке.

Новшество учёных Пермского национального исследовательского политехнического университета (ПНИПУ) заключается в использовании индекса страха и жадности (FGI), который анализирует новости, соцсети и поведение инвесторов.

Если раньше модели ориентировались исключительно на технические и исторические данные, то пермские исследователи добавили в уравнение психологический компонент, отражающий массовые настроения участников рынка. Это позволило повысить точность предсказаний в среднем на 5–10% по сравнению с традиционными подходами.

В основе решения — современные архитектуры нейросетей LSTM и GRU, применяемые для анализа временных рядов. Эти алгоритмы способны «запоминать» длинные цепочки данных, что критически важно для работы с динамикой курса криптовалют.

Модель прошла тестирование на данных криптобиржи Binance с 2020 по 2024 годы. Особенно хорошо она показала себя в периоды высокой волатильности, когда стандартные методы давали сбои. Так, например, при резком росте биткойна в ноябре 2024 года ошибка прогноза была снижена на 8,3% по сравнению с классическими инструментами анализа.

«При разработке мы использовали метод повторного тестирования: 80% данных шли на обучение, 20% — на проверку результатов. Анализ проводился поэтапно, небольшими блоками, что напоминало изучение языка по словам», — рассказал доктор технических наук Андрей Затонский, заведующий кафедрой в филиале ПНИПУ.

Помимо цен и объёмов торгов, модель учитывает поведенческие факторы:

– эмоциональную окраску новостей,– активность в соцсетях,– поисковые тренды,– реакцию инвесторов на события в реальном времени.

Подобных моделей в России до сих пор не существовало. Более того, авторы считают, что технология может быть применена и за пределами криптовалютного сектора — например, для прогнозирования цен на нефть, акции и сырьевые ресурсы.

Исследование опубликовано в Journal of Computational Finance — одном из ведущих журналов по финансовой аналитике. Разработка получила положительные отзывы от международного экспертного сообщества, а также поддержку программы «Приоритет-2030», что подтверждает стратегическое значение для цифровой экономики России.