ПРЕДИКТИВНАЯ АНАЛИТИКА ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ В ДЕЦЕНТРАЛИЗОВАННЫХ СИСТЕМАХ
Аннотация
В настоящее время актуальность использования криптоактивов стремительно растет.
В последние годы торговля криптовалютой стала одной из наиболее обсуждаемых тем в мире
финансов и инвестиций. Криптовалюты, такие как Биткоин, Эфириум, привлекают внимание
миллионов людей благодаря своей инновационности, потенциалу высокой прибыли и возможности
децентрализации. Технология блокчейн, на которой основаны криптовалюты, является одной из
самых инновационных и перспективных технологий на рынке. Изучение торговли криптовалюта-
ми позволяет понять, как частные инвесторы и компании могут использовать блокчейн-
технологии для инвестирования и развития своих бизнесов. Одной из главных причин популярности
торговли криптовалютой является ее высокий уровень волатильности. Курс криптовалют мо-
жет быстро меняться, что предоставляет возможности для получения прибыли. Данная статья
направлена на исследование использования предиктивной аналитики для принятия решений в де-
централизованных системах на примере торговли криптовалютами на централизованных и де-
централизованных биржах. В настоящей работе проводится исследование децентрализованных и
централизованных систем с целью дальнейшего создания систем поддержки принятия решений.
Приведено общее описание и схемы работы децентрализованных и централизованных динамиче-
ских систем на примере исследования криптобирж. Данная научная статья исследует типовую
структуру централизованной и децентрализованной криптобиржи, анализируя основные компо-
ненты и принципы ее функционирования. В статье рассматривается внутренняя организация
биржи, включая систему хранения цифровых активов, механизмы выполнения сделок, обеспечение
безопасности и управление рисками. Также обсуждается взаимодействие биржи с участниками
рынка, а также регулирующими органами. Помимо этого, данная научная статья исследует пра-
вила и принципы работы трейдеров и маркет мейкеров на централизованных и децентрализован-
ных криптобиржах. Рассматриваются основные стратегии и тактики, которые используют
участники рынка для обеспечения ликвидности и оптимизации операций торговли. В статье про-
водится сравнение подходов к торговле на различных типах криптобирж с учетом их особенно-
стей и влияния на ценовую динамику криптовалют. Представленные результаты могут способ-
ствовать более глубокому пониманию процессов в торговле криптовалютами и оптимизации
стратегий принятия решений для инвесторов и торговцев на рынке криптоактивов.
Литература
vozniknoveniya otkazov v sistemakh upravleniya dinamicheskimi ob"ektami [Algebraic criteria for
detecting the occurrence and timing of failures in control systems of dynamic objects], Izvestiya RAN.
Teoriya i sistemy upravleniya [Proceedings of the Russian Academy of Sciences. Theory and control
systems], 2016, No. 4, pp. 50-61.
2. Mironovskiy L.A. Funktsional'noe diagnostirovanie dinamicheskikh system [Functional diagnostics of
dynamic systems]. St. Petersburg: Izd-vo MGU-GRIF, 1998.
3. Jiang Y, Yin S. Kaynak O. Data-driven monitoring and safety control of industrial cyber-physical systems:
Basis and beyond, IEEE Access, 2018, Vol. 6, pp. 47374-47384.
4. Angeris G., Chitra T. Improved Price Oracles: Constant Function Market Makers. In Proceedings of
the 2nd ACM Conference on Advances in Financial Technologies (AFT ’20), Association for Computing
Machinery, New York, 2020, pp. 80-91.
5. A Deep Dive into Decentralized Exchanges. Available at: https://coinmarketcap.com/alexandria/article/adeep-
dive-into-decentralizedexchanges (accessed: 21/01/2021).
6. Alexander C., Heck D.F. Price discovery in bitcoin: The impact of unregulated markets, Journal of
Financial Stability, 2020, No. 50, pp. 1-18.
7. Angeris G., Chitra T. Improved price oracles: Constant function market makers, Conference: AFT '20:
2nd ACM Conference on Advances in Financial Technologies, 2020, pp. 80-91.
8. Chen M.A., Wu Q., Yang B. How valuable is FinTech innovation?, Review of Financial Studies, 2019,
Vol. 32 (5), pp. 2062-2106.
9. Cohen J.E. Between Truth and Power: The Legal Constructions of Informational Capitalism. New
York: Oxford University Press, 2019, 376 p.
10. Cong L.W., He Z. Blockchain disruption and smart contracts, Review of Financial Studies, 2019,
Vol. 32 (5), pp. 1754-1797.
11. Egorov M. StableSwap - Efficient Mechanism for Stablecoin Liquidity. Available at:
https://www.curve.fi/stableswap-paper.pdf .
12. Lin L.X. Deconstructing decentralized exchanges // Stanford Journal of Blockchain Law & Policy.
Available at: https://stanfordjblp.pubpub.org/pub/deconstructing-dex (accessed: 26/01/2021).
13. Murray A., Kuban S., Josefy M., Anderson J. Contracting in the smart era: the implications of
blockchain and decentralized autonomous organizations for contracting and corporate governance,
Academy of Management Perspectives, 2019, pp. 51-55.
14. Buterin V. Ethereum whitepaper. Available at: https://ethereum.org/en/whitepaper/.
15. Adams H., Zinsmeister N., Salem M., Keefer R., Robinson D. Uniswap v3 Core. Available at:
https://uniswap.org/whitepaper-v3.pdf.
16. Li X., Wang R., Li Y., Qin X., Liu S. Predicting Bitcoin Prices from Twitter with LSTM Network, IEEE
Access, 2021, pp. 17253-17265.
17. Kim Y., Kim J., Kim H., Rhim J., & Ryu K.H. Bitcoin price prediction using machine learning: An
approach to predict the price of Bitcoin based on Twitter sentiment analysis, International Conference
on Platform Technology and Service (PlatCon), 2018, pp. 1-5.
18. Yoon J.H., & Chang H. Predicting cryptocurrency prices using machine learning techniques, Applied
Intelligence, 2020, pp. 1258-1272.
19. Verkouteren J.M., & van Vliet B. Machine learning for financial prediction: Hype or hope, Expert
Systems with Applications, 2019, pp. 1-22.
20. Turel O., Ul Ibrahim M., & Altun G.B. Predicting Cryptocurrency Prices Using Machine Learning
Techniques: A Comparative Analysis, Journal of Organizational and End User Computing (JOEUC),
2021, pp. 79-94.
