Найти

Результаты поиска

• СТОХАСТИЧЕСКАЯ МОДЕЛЬ КОГНИТИВНОГО РИСКА ТРЕЙДЕРОВ В УСЛОВИЯХ ВОЛАТИЛЬНОСТИ ДЕЦЕНТРАЛИЗОВАННЫХ РЫНКОВ

  Д. Г. Веселова , Н. Е. Сергеев

  189-199

  2025-12-30

  Аннотация ▼

  Настоящее исследование посвящено разработке стохастической модели когнитивного риска трейдеров как ключевого компонента интеллектуальной системы поддержки принятия решений (СППР) для децентрализованных криптовалютных рынков. Актуальность работы обусловлена спецификой DeFi-среды, характеризующейся высокой и нестационарной волатильностью, отсутствием централизованных механизмов стабилизации, асимметрией информации и значительным влиянием поведенческих факторов на принятие торговых решений. В данных условиях традиционные детерминированные и статические СППР демонстрируют ограниченную эффективность, поскольку не учитывают динамическое восприятие риска участниками рынка и связанные с ним когнитивные искажения. Целью исследования является формализация когнитивного риска трейдеров в виде стохастического процесса с эффектом памяти и интеграция соответствующей модели в архитектуру СППР, ориентированной на адаптивное управление риском. Для достижения поставленной цели разработано стохастическое дифференциальное уравнение, описывающее динамику когнитивного риска в зависимости от рыночной волатильности и текущих режимов рынка, а также вероятностное ядро переходов между рыночными состояниями, связывающее объективные рыночные характеристики с субъективным восприятием риска. Для оценки параметров модели предложен идентификационный каркас, основанный на алгоритме Expectation–Maximization в сочетании с фильтром частиц, что обеспечивает возможность работы с нелинейными и скрытыми состояниями системы. Методика исследования включает численное моделирование на синтетических данных, оценку параметров модели на реальных временных рядах криптоактивов, а также валидацию результатов с использованием схем walk-forward и purged
  K-fold. Качество вероятностных прогнозов оценивалось с применением метрик отрицательного логарифмического правдоподобия (NLL), Brier Score и ожидаемой ошибки калибровки (ECE). Экспериментальные результаты показали, что включение когнитивного стохастического слоя позволяет улучшить качество вероятностных прогнозов в среднем на 10–15%, снизить NLL на 8%, Brier Score на 11% и ECE на 35%, а также повысить точность предсказания ключевых переходов между рыночными режимами на 5–7 процентных пунктов. Полученные результаты подтверждают эффективность предложенной стохастической модели когнитивного риска и демонстрируют её применимость для построения адаптивных СППР в DeFi-сегменте. Разработанный подход может служить основой для дальнейшего развития предиктивных моделей поведения трейдеров и интеллектуальных систем управления риском в децентрализованных финансовых экосистемах.