Библиографическое описание статьи для цитирования:
Якушев Денис. Розроблення алгоритму ідентифікації фази накопичення з урахуванням кластерного аналізу on-chain-метрик//Наука онлайн: Международный научный электронный журнал. - 2020. - №12. - https://nauka-online.com/ru/publications/information-technology/2020/12/38-4/
Аннотация:
(Українська) Актуальність дослідження зумовлена необхідністю створення інструментів об’єктивної ідентифікації фаз ринку цифрових активів на основі поведінкових характеристик учасників мережі, які фіксуються не ціновими, а ончейн-метриками (on-chain). У сучасних умовах зростання волатильності криптовалютного ринку та недостатньої ефективності класичних індикаторів технічного аналізу збільшується попит на алгоритми, здатні виявляти латентні ринкові стани, зокрема фазу накопичення, ще до настання цінових змін.
Мета статті полягає у створенні алгоритмічної моделі виявлення фази накопичення на криптовалютному ринку шляхом застосування кластерного аналізу до множини ончейн-індикаторів, що дозволяє підвищити точність і своєчасність оцінки ринкової динаміки для використання в системах підтримки інвестиційних рішень.
Методологія дослідження базується на використанні поведінкових метрик блокчейн-мереж (Realized Cap HODL Waves, Dormancy, SOPR, Exchange Outflow Volume, Address Balance Distribution) та алгоритмів кластерного навчання без учителя. Застосовано HDBSCAN як основний метод кластеризації, що дозволяє адаптивно ідентифікувати ринкові фази без фіксації їх кількості. Побудовано процедурну схему, що охоплює етапи збору, оброблення, нормалізації даних, кластерного розподілу та інтерпретації результатів.
Результати дослідження відображають побудову ефективного алгоритму, здатного групувати часові відрізки за подібністю ончейн-поведінки та виділяти фази акумуляції з урахуванням часової динаміки метрик. Реалізовано архітектуру класифікації, яка не залежить від цінових даних і може функціонувати в реальному часі в складі систем криптоаналітики.
У висновках доведено ефективність запропонованої моделі для виявлення фаз накопичення на основі динаміки структур ончейн-даних. Установлено, що алгоритм здатний забезпечити раннє виявлення змін ринкової поведінки та знизити залежність від традиційних спекулятивних індикаторів.
Перспективи подальших досліджень пов’язані з інтеграцією часових залежностей у кластерну модель, розширенням системи на інші цифрові активи, впровадженням агрегованих індексів накопичення та самонавчальних компонентів з урахуванням макроекономічних і позамережевих впливів.
editor@inter-nauka.com
Личный кабинет