Prospects for modeling and forecasting cryptocurrency volatility using neural networks and GARCH models

Zyl A.N.

Keywords: cryptocurrency volatility modeling, hybrid neural network models, GARCH family models, recurrent LSTM networks, conditional heteroskedasticity of financial series, intelligent forecasting systems, network and multiscale analysis, financial risk assessment.

Abstract. The article is devoted to the analysis of modern approaches to modeling and forecasting cryptocurrency volatility using hybrid methods that combine neural network technologies and GARCH family models. It reveals the specifics of applying classical econometric models (ARCH, GARCH, EGARCH, DCC-GARCH) for describing conditional heteroskedasticity of financial series and substantiates their limitations when modeling highly volatile and non-stationary cryptocurrency market data. The advantages of integrating artificial neural networks (LSTM, GRU, CNN) into forecasting tasks are highlighted, enabling the consideration of nonlinear and latent dependencies in the dynamics of digital asset prices. The directions of development of hybrid models are identified, incorporating GARCH components to describe the stochastic structure of data and neural architectures to enhance predictive accuracy. The study concludes that a new direction in financial analysis is emerging – a synthetic approach that unites econometrics, machine learning, and network analysis for building intelligent cryptocurrency volatility forecasting systems and assessing associated risks.

Перспективы моделирования и прогнозирования волатильности криптовалют с использованием нейросетей и GARCH-моделей

Зыль А.Н.

Ключевые слова: моделирование волатильности криптовалют, гибридные нейросетевые модели, модели семейства GARCH, рекуррентные сети LSTM, условная гетероскедастичность финансовых рядов, интеллектуальные системы прогнозирования, сетевой и мультишкальный анализ, оценка финансовых рисков.

Аннотация. Статья посвящена анализу современных подходов к моделированию и прогнозированию волатильности криптовалют с использованием гибридных методов, которые объединяют нейросетевые технологии и модели семейства GARCH. Раскрываются особенности применения классических эконометрических моделей (ARCH, GARCH, EGARCH, DCC-GARCH) для описания условной гетероскедастичности финансовых рядов и обосновываются их ограничения при моделировании высоковолатильных и нестационарных данных криптовалютного рынка. Отмечаются преимущества интеграции искусственных нейронных сетей (LSTM, GRU, CNN) в задачи прогнозирования, которые позволяют учитывать нелинейные и латентные зависимости в динамике цен цифровых активов. Выявляются направления развития гибридных моделей с включением GARCH-компонентов для описания стохастической структуры данных и нейросетевых архитектур для повышения точности предсказательной аналитики. По итогам проведённого исследования делается вывод о формировании нового направления в финансовом анализе, а именно синтетического подхода, под началом которого объединяются эконометрика, машинное обучение и сетевой анализ для построения интеллектуальных систем прогнозирования волатильности криптовалют и оценки связанных рисков.