АНАЛІЗ АНОМАЛІЙ ЧАСОВИХ РЯДІВ ЦІН КРИПТОВАЛЮТ
Анотація
Стаття присвячена дослідженню аномалій на ринку криптовалют, що впливають на поведінку агентів цифрового фінансового ринку. Актуальність роботи пояснюється цифровою трансформацією, яка впливає на умови існування та розвитку агентів фінансового сектору, а також у зростанні потреби в нових знаннях, уміннях та навичках для дослідження поведінки таких агентів в різних умовах. Об’єктом дослідження виступають часові ряди вартості криптовалют за даними CoinMarketCap – крупного постачальника криптографічних даних. Для аналізу аномалій часових рядів було обрано топ‑5 криптовалют за капіталізацією: Bitcoin (BTC), Ethereum (ETH), Tether (USDT), Binance Coin (BNB), U.S. Dollar Coin (USDC). Вхідними даними дослідження є щоденні часові ряди цін криптовалют. Для виявлення аномалій часових рядів використано програмне середовище R, яке призначено для статистичної обробки та візуалізації даних. За результатами дослідження було виявлено, що найменшу частку аномалій містить часовий ряд ціни Bitcoin (BTC). А часові ряди цін криптовалют, що з’явилися пізніше (альткоїни), Ethereum (ETH) та Binance Coin (BNB) у значній мірі повторють періоди аномалій Bitcoin (BTC). Особливі періоди аномалій показали часові ряди цін стейблкоїнів Tether (USDT) та U.S. Dollar Coin (USDC). Вони прив’язані до фіатної валюти та володіють резервним фондом, який забезпечує стабільність курсу токену.
Посилання
2. 4th Annual Global Crypto Hedg Fund Report (2022). PwC. 54 p. URL: https://www.pwc.com/gx/en/financial-services/pdf/4th-annual-global-crypto-hedge-fund-report-june-2022.pdf
3. Choi K., Yi J., Park C., & Yoon S. (2021). Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines. IEEE Access. No. 9. P. 120043–120065. DOI: 10.1109/access.2021.3107975
4. Mohammad Braei, Sebastian Wagner (2020). Anomaly Detection in Univariate Time-series: A Survey on the Stateof-the-Art. DOI: 10.48550/arXiv.2004.00433
5. Cook A.A., Misirli G., & Fan Z. (2020). Anomaly Detection for IoT Time-Series Data: A Survey. IEEE Internet of Things Journal. No. 7 (7). P. 6481–6494. DOI: 10.1109/jiot.2019.2958185
6. Jiehui Xu, Haixu Wu, Jianmin Wang, Mingsheng Long (2021). Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy. Published as a conference paper at ICLR 2022. DOI: 10.48550/arXiv.2110.02642
7. Blazquez-Garcia A., Conde A., Mori U. & Lozano J.A. (2021). A Review on Outlier / Anomaly Detection in Time Series Data. ACM Computing Surveys. No. 54 (3). P. 1–33. DOI: 10.1145/3444690
8. Lykhach O., Ugryumov M., Shevchenko D. & Shmatkov S. (2022). Metody vyiavlennia vykydiv v probnykh vybirkakh pry upravlinni protsesamy v systemakh za stanom – [Anomaly Detection Methods in Sample Datasets When Managing Processes in Systems by the State]. Bulletin of V.N. Karazin Kharkiv National University, Series “Mathematical Modeling. Information Technology. Automated Control Systems”. Vol. 53, April. P. 21–40. DOI: 10.26565/2304-6201-2022-53-03 [in Ukrainian]
9. Radivilova, T., Kirichenko L., Tawalbeh M. & Ilkov A. (2021). Vyiavlennia anomalii v telekomunikatsiinomu trafiku statystychnymy metodamy – [Detection of Anomalies in the Telecommunications Traffic by Statistical Methods]. Elektronne fakhove naukove vydannia “Kiberbezpeka: osvita, nauka, tekhnika” – Electronic professional scientific publication “Cybersecurity: Education, Science, Technique”. Vol. 3 (11), March. P. 183–94. DOI: 10.28925/2663-4023.2021.11.183194 [in Ukrainian]
10. Baklan I.V., Shulkevych T.V., Lohvynchuk A.I., Baklan Ya.I. (2020). Poshuk anomalii v linhvistychnykh modeliakh chasovykh riadiv – [Search for anomalies in linguistic models of time series]. Systemni tekhnolohii – System technologies. Vol. 4. № 129. P. 85–99. DOI: 10.34185/1562-9945-4-129-2020-09 [in Ukrainian]
11. Mavliutov Ya., Maslianko P. (2020). Sposib vyiavlennia anomalii chasovykh riadiv finansovykh danykh – [Method for detecting anomalies in time series of financial data]. Zbirnyk naukovykh prats ΛΟΓΟΣ – Collection of scientific paper ΛΟΓΟΣ. May. P. 71–74. DOI:10.36074/15.05.2020.v1.27 [in Ukrainian]
12. Kat Tretina. Top10 Cryptocurrencies of 2023. Forbes Advisor. Jun 13, 2023. URL: https://www.forbes.com/advisor/investing/cryptocurrency/top-10-cryptocurrencies
13. CRAN – Package Cripto2. URL: https://cran.r-project.org/web/packages/crypto2/index.html
14. Criptocarrencies Prices, Charts and Market Capitalizacion. CoinMarketcap. URL: https://coinmarketcap.com
15. Criptocarrency Prices – Real Time Market Data. Investing.com. URL: https://www.investing.com/crypto
16. CRAN – Package timetk. URL: https://cran.r-project.org/web/packages/timetk/index.html
17. Hyndman R.J., Athanasopoulos G. (2018). Forecasting: principles and practice. Melbourne : OTexts. URL: https://otexts.com/fpp2.
