ОГРАНИЧЕНИЯ ТРАДИЦИОННЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ КРИПТОВАЛЮТ В УСЛОВИЯХ ДОМИНИРОВАНИЯ ИНФОРМАЦИОННЫХ ФАКТОРОВ
Аннотация
Статья посвящена анализу применимости традиционных методов прогнозирования ценовой динамики на криптовалютном рынке. По эмпирическим данным за 2019–2024 гг. показано, что стратегии технического анализа (скользящие средние, индекс относительной силы, полосы Боллинджера, схождение-расхождение скользящих средних) утратили прогнозную способность, а коэффициент Шарпа снизился на 64–79% по сравнению с периодом 2015–2018 гг. Обоснована принципиальная неприменимость фундаментального анализа к активам, не генерирующим денежных потоков. Выявлены ограничения ончейн-метрик, связанные с эндогенностью, проблемой двойного подсчета и доминированием спекулятивного спроса. Предложена авторская классификация информационных факторов ценовой динамики криптовалют, включающая четыре типа (регуляторные, технологические, макроэкономические, коммуникативные), с количественными показателями силы импульса, горизонта воздействия и вероятности направления движения цены. Разработана типология криптоактивов по информационной чувствительности. Результаты обосновывают необходимость перехода к методам прогнозирования на основе количественной оценки информационных факторов с применением технологий обработки естественного языка.
Литература
Astrakhantseva I.A., Astrakhantsev R.G. Evaluating the investment appeal of cryptocurrency tokens. Ivecofin. 2025. N 4(66). P. 19–28. (in Russian).
Williams J.B. The Theory of Investment Value. Cambridge: Harvard University Press. 1938. 613 p.
Fama E.F. Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance. 1970. Vol. 25. № 2. P. 383–417.
Murphy J.J. Technical Analysis of the Financial Markets. New York: New York Institute of Finance. 1999. 576 p.
Corbet S., Eraslan B., Lucey C., Sensoy A. Any Port in a Storm: Cryptocurrency Safe-Havens during the COVID-19 Pandemic. Economics Letters. 2020. Vol. 194. P. 109377. DOI: 10.1016/j.econlet.2020.109377.
Woo W. Network Value to Transactions (NVT) Ratio. https:// woobull.com/introducing-nvt-ratio-bitcoins-pe-ratio/.
Mahmudov M., Puell D. Bitcoin Market Value to Realized Value (MVRV) Ratio. https://medium.com/adaptivecapital/.
Glassnode. SOPR: Spent Output Profit Ratio. https://academy.glassnode.com/indicators/sopr.
Granger C.W.J. Investigating Causal Relations by Econometric Models and Cross-spectral Methods. Econometrica. 1969. Vol. 37. № 3. P. 424–438.
Gerritsen D.F., Bouri E., Ramezanifar E., Roubaud D. The Profitability of Technical Trading Rules in the Bitcoin Market. Finance Research Letters. 2020. Vol. 34. P. 101263. DOI: 10.1016/j.frl.2019.08.011.
Damodaran A. The Dark Side of Valuation: Valuing Young, Distressed, and Complex Businesses. Upper Saddle River: FT Press. 2010. 604 p.
Saggese P. et al. DeFi and Total Value Locked. BIS Working Papers. 2023. № 1099. 42 p.
Astrakhantseva I.A., Savina A.S., Astrakhantsev R.G. Cryptocurrency as a payment phenomenon in the modern digital economy. Ivecofin. 2019. N 4(42). P. 3–10. EDN ZDYNOP. (in Russian).
Shiller R.J. Narrative Economics. American Economic Review. 2017. Vol. 107. № 4. P. 967–1004. DOI: 10.1257/aer.107.4.967.
Saggu A., Ante L., Kopiec M. SEC Enforcement Actions and Cryptocurrency Returns. Finance Research Letters. 2024. Vol. 60. P. 104891. DOI: 10.1016/j.frl.2023.104891.
Conlon T., Corbet S., Oxley A. Are Cryptocurrencies a Safe Haven for Equity Markets? An International Perspective from the COVID-19 Pandemic. Research in International Business and Finance. 2020. Vol. 54. P. 101248. DOI: 10.1016/j.ribaf. 2020.101248.
Auer R., Claessens S. Regulating Cryptocurrencies: Assessing Market Reactions. BIS Quarterly Review. 2018. September. P. 51–65.
Corbet S., Larkin C., Lucey B. Cryptocurrencies as a Financial Asset: A Systematic Analysis. International Review of Financial Analysis. 2020. Vol. 71. P. 101554. DOI: 10.1016/j.irfa.2020.101554.
Astrakhantseva I.A., Kutuzova A.S., Morozov E.N., Astrakhantsev R.G. Crypto-assets functioning algorithms to determine the optimal taxation regime. Ivecofin. 2022. N 1(51). P. 131–137. EDN MWOQQN. (in Russian).
Kristoufek L. BitCoin Meets Google Trends and Wikipedia: Quantifying the Relationship between Phenomena of the Internet Era. Scientific Reports. 2013. Vol. 3. P. 3415. DOI: 10.1038/srep03415.
Chen H., De P., Hu Y.J., Hwang B.H. Wisdom of Crowds: The Value of Stock Opinions Transmitted Through Social Media. The Review of Financial Studies. 2014. Vol. 27. № 5. P. 1367–1403. DOI: 10.1093/rfs/hhu001.
Kahneman D., Tversky A. Prospect Theory: An Analysis of Decision under Risk. Econometrica. 1979. Vol. 47. № 2. P. 263–291.
Bobkov S.P., Astrakhantseva I.A., Kutuzova A.S. Simulation modeling of agent behavior in a complex social system. Modern High Technologies. Regional Application. 2022. N 4(72). P. 33–39. (in Russian).
Astrakhantseva I., Astrakhantsev R. Cryptocurrency as New Financial and Legal Instrument: Defining Cryptoassets in Property Law. SHS Web of Conferences: 3rd International Scientific Conference on New Industrialization and Digitalization (NID 2020). 2021. Vol. 93. P. 02002. DOI: 10.1051/shsconf/20219302002. EDN PWIKIZ.
Gorev S.V., Kutuzova A.S. Practical instruments for the cost estimating of art objects. Ivecofin. 2021. N 01(47). P. 6-13. (in Russian).
Gorev S.V., Kutuzova A.S. Analysis of the practice of taxation of transactions with objects of art. Ivecofin. 2021. N 02(48). P. 23-28. (in Russian).
Astrakhantseva I.A., Gerasimov A.S., Astrakhantsev R.G. Forecasting regional inflation by machine learning algorithms. Ivecofin. 2022. N 04(54). P.6-13. DOI: 10.6060/ivecofin.2022544.620. (in Russian).
Bobkov S.P., Astrakhancev R.G., Pavlova E.A. Research of the structure of flow in technological equipment using discrete dynamic models. Modern High Technologies. Regional Application. 2024. N 1(77). P. 95-101. (in Russian).
Mishina V.A., Bobkov S.P., Samarsky A.A. Using discrete elements systems to simulate the spread of an epidemic. Ivecofin. 2025. N 04(66). P.128-135. (in Russian).
