Інтелектуальна інформаційна система прогнозування котирування криптовалюти

Abstract

У сучасних умовах стрімкого розвитку цифрових фінансів криптовалюти стали важливим елементом глобального економічного простору. Їхня висока волатильність і залежність від численних інформаційних чинників створює значні труднощі для ефективного прогнозування та обґрунтованого прийняття рішень під час трейдингу. Саме тому зростає потреба в інтелектуальних системах, здатних аналізувати великі обсяги даних і формувати достовірні прогнози. Об’єктом дослідження є процес прогнозування котирування криптовалюти та проведення трейдингу. Предметом дослідження виступає передбачення змін курсів криптовалют на основі наявних методик та автоматизація процесів торгівлі на ринку цифрових активів. Метою дослідження є проєктування системи, яка здатна прогнозувати котирування обраних криптовалют і надавати рекомендації для проведення трейдингу на ринках. Для досягнення поставленої мети було створено інтелектуальну інформаційно-аналітичну систему, що дозволяє виконувати коротко- та середньострокове прогнозування ціни криптовалюти. У роботі використано комбінацію джерел даних: історичні котирування криптовалют отримане з Cryptocompare API, індекси популярності з Google Trends, а також тональність користувацьких твітів соціальної мережі X (Twitter). Система складається з таких модулів: • Модуль збору твітів, який отримує повідомлення за заданими хештегами із соціальної мережі X та зберігає їх у базу даних PostgreSQL. Додано функціонал перевірки дат для запобігання дублювання даних. • Модуль обробки тексту, що очищає твіти від шуму (URL, емодзі тощо), нормалізує текст та виконує аналіз тональності за допомогою моделі VADER. Отримана метрика відображає позитивну, негативну чи нейтральну оцінку тональності в твітах, що може впливати на очікування інвесторів. • Модуль збору даних із Google Trends, який отримує індекси популярності пошукових запитів щодо обраної криптовалюти та зберігає їх у базу даних PostgreSQL. • Модуль збору даних із Cryptocompare API, який отримує історію цін криптовалюти та зберігає їх у базу даних PostgreSQL. • Модуль прогнозування реалізує машинне навчання із застосуванням таких алгоритмів, як Random Forest, логістична регресія, поліноміальний наївний баєс. Особливу увагу приділено побудові моделей із використанням змінних, що враховують не лише історичну динаміку, а й емоційне тло та рівень зацікавлення в суспільстві. Моделі навчаються на історичних вибірках і здійснюють прогноз на 1, 7 та 30 днів наперед. • Графічний інтерфейс користувача, реалізований з використанням бібліотеки Tkinter, дає змогу сформувати прогноз, здійснити торгівлю на біржі Binance, а також переглянути історію торгівлі та побудувати статистику. Практичне значення цього дослідження полягає у можливості розроблення імовірнісних моделей, аналітичних інструментів та автоматизованих систем, що сприятимуть прийняттю більш обґрунтованих рішень у сфері інвестування та трейдингу криптовалют. Розроблена система може бути адаптована до інших цифрових активів або галузей, де інформаційний фон суттєво впливає на ринкову активність. У результаті експериментальних досліджень підтверджено, що поєднання соціальних, інформаційних і фінансових факторів дозволяє підвищити точність прогнозування. Також встановлено, що додавання індикаторів тональності та популярності значно покращує якість прогнозної моделі в порівнянні з використанням лише історичних цін.

In today's rapidly evolving digital finance landscape, cryptocurrencies have become a crucial component of the global economic system. Their high volatility and dependence on numerous informational factors present significant challenges for effective forecasting and informed decision-making in trading. Consequently, there is an increasing need for intelligent systems capable of analyzing large volumes of data and generating reliable predictions. The object of the research is the process of forecasting cryptocurrency quotations and performing trading operations. The subject of the research is the prediction of cryptocurrency price changes based on existing methodologies and the automation of trading processes on the digital asset market. The goal of the study is to design a system capable of forecasting the prices of selected cryptocurrencies and providing recommendations for trading in digital markets. To achieve this goal, an intelligent information-analytical system was developed, enabling short- and medium-term forecasting of cryptocurrency prices. The system utilizes a combination of data sources: historical cryptocurrency prices from the Cryptocompare API, popularity indices from Google Trends, and sentiment analysis of user tweets from the social network X (formerly Twitter). The system consists of the following modules: • Tweet collection module, which retrieves posts by specific hashtags from X and stores them in a PostgreSQL database. It includes a date-checking mechanism to avoid duplicate data. • Text processing module, which cleans tweets from noise (URLs, emojis, etc.), normalizes text, and performs sentiment analysis using the VADER model. The resulting sentiment score reflects positive, negative, or neutral tone, which may influence investor expectations. • Google Trends data module, which retrieves popularity indices of search queries related to the selected cryptocurrency and stores them in the PostgreSQL database. • Cryptocompare data module, which collects historical cryptocurrency price data and stores it in the PostgreSQL database. • Forecasting module, which implements machine learning using algorithms such as Random Forest, logistic regression, and polynomial naive Bayes. Particular attention is paid to building models that consider not only historical trends but also sentiment and public interest. The models are trained on historical datasets and generate predictions for 1, 7, and 30 days ahead. • Graphical user interface, developed using the Tkinter library, allows users to generate forecasts, execute trades on the Binance exchange, view trading history, and analyze statistics. The practical value of this research lies in the potential to develop probabilistic models, analytical tools, and automated systems that support more informed decision-making in cryptocurrency investment and trading. The developed system can be adapted to other digital assets or domains where informational background significantly affects market activity. Experimental results confirm that combining social, informational, and financial factors improves prediction accuracy. Additionally, incorporating sentiment and popularity indicators significantly enhances the forecasting model's performance compared to using historical prices alone.