Молікевич Р.С., кандидат географічних наук, доцент, доцент кафедри географії та екології, Херсонський державний університет, м. Херсон, Україна

ORCID ID: 0000-0002-6577-503X
e-mail: molikevych@gmail.com

Стратегія формування інвестиційного портфеля криптовалют з використанням моделей машинного навчання

Анотація. У даному дослідженні представлено стратегічну модель формування інвестиційного портфеля із використанням моделей машинного навчання та методів оптимізації. Зокрема, застосовано модель машинного навчання градієнтного бустингу (XGBoost) для прогнозування цін криптовалют і вибору точки входу в ринок. На основі моделі виявлено високу волатильність криптовалют та загальну залежність від ринкових коливань BTC. За моделлю Марковіца було сформовано інвестиційний портфель з найкращим прогнозованим співвідношенням прибутковості та ризику. До портфеля було обрано 15 криптовалют, які мають високу капіталізацію, але різні рівні волатильності й ризикованості. Точкою входу в ринок умовно було обрано останні цінові дані на момент проведення аналізу. Через 7 місяців від імітаційної купівлі, інвестиційний портфель продемонстрував зростання на майже 50 відсотків. Зазначені результати підтверджують дієвість відповідного аналізу та оптимальний рівень диверсифікації

Ключові слова: невизначеність зовнішнього середовища, економічні стратегії, рівень невизначеності, адаптаційні стратегії, економічний ризик

Література:

1. Олійник В.М., Фролов С.М., Лещенко Ю.І. Деякі аспекти оптимізації портфеля фінансових інструментів. Маркетинг і менеджмент інновацій. 2012. № 1. С. 140–147. URL : http://nbuv.gov.ua/UJRN/Mimi_2012_1_17.
2. Aljinović Z., Marasović B., Šestanović T. Cryptocurrency Portfolio Selection–A Multicriteria Approach. Mathematics. 2021. Vol. 9, no. 14. P. 1677. URL: https://doi.org/10.3390/math9141677.
3. An Introduction to Statistical Learning. G. James et al. New York, NY : Springer New York, 2013. URL: https://doi.org/10.1007/978-1-4614-7138-7. 
4. Bitcoin BTC Price. Coinmarketcap. URL: https://www.coingecko.com/en/coins/bitcoin.
5. Ciaian P., Rajcaniova M., Kancs d. The economics of BitCoin price formation. Applied Economics. 2015. Vol. 48, no. 19. P. 1799–1815. URL: https://doi.org/10.1080/00036846.2015.1109038. 
6. Coingecko. URL:  https://www.coingecko.com/.
7. De Rosa P., Felber P., Schiavoni V. CryptoAnalytics: Cryptocoins price forecasting with machine learning techniques. SoftwareX. 2024. Vol. 26. P. 101-163. URL: https://doi.org/10.1016/j.softx.2024.101663. 
8. Enhancing Cryptocurrency Price Forecasting by Integrating Machine Learning with Social Media and Market Data / L. Belcastro et al. Algorithms. 2023. Vol. 16, no. 12. P. 542. URL: https://doi.org/10.3390/a16120542. 
9. Kajtazi A., Moro A. The role of bitcoin in well diversified portfolios: A comparative global study. International Review of Financial Analysis. 2019. Vol. 61. P. 143–157. URL: https://doi.org/10.3905/jai.2018.20.3.016.  
10. Liu W. Portfolio diversification across cryptocurrencies. Finance Research Letters. 2019. Vol. 29. P. 200–205. URL: https://doi.org/10.1016/j.frl.2018.07.010. 
11. Some stylized facts of the Bitcoin market / A. F. Bariviera et al. Physica A: Statistical Mechanics and its Applications. 2017. Vol. 484. P. 82–90. URL: https://doi.org/10.1016/j.physa.2017.04.159.
12. Tay F. E. H., Cao L. Application of support vector machines in financial time series forecasting. Omega. 2001. Vol. 29, no. 4. P. 309–317. URL: https://doi.org/10.1016/s0305-0483(01)00026-3. 
13. Trimborn S., Härdle W. K. CRIX an Index for cryptocurrencies. Journal of Empirical Finance. 2018. Vol. 49. P. 107–122. URL: https://doi.org/10.1016/j.jempfin.2018.08.004. 
14. Trimborn S., Li M., HHrdle W. K. Investing with Cryptocurrencies – A Liquidity Constrained Investment Approach. SSRN Electronic Journal. 2017. URL: https://doi.org/10.2139/ssrn.2999782. 
15. Yi Y. Research on cryptocurrency portfolio based on Markowitz model. Highlights in Business, Economics and Management. 2024. Vol. 32. P. 237–254. URL: https://doi.org/10.54097/6q50bk41