Энтропийный анализ информационного фона как инструмент финансовой диагностики волатильности криптовалютного рынка

Обложка

Цитировать

Полный текст

Аннотация

в статье исследуется влияние новостных аномалий на волатильность криптовалютного рынка с использованием энтропийного анализа информационного фона и модели ARIMA. Методологический подход объединяет вычисление энтропийных индикаторов новостного потока и сопоставление их с прогнозными ошибками ARIMA, что позволяет количественно оценить взаимосвязь информационных шоков и аномальных ценовых движений. Показано, что рост энтропии новостного фона выступает предвестником нестабильности и может служить индикатором повышенного риска. Результаты апробации на данных о динамике биткоина подтверждают применимость предложенного инструментария для диагностики и прогнозирования рыночной нестабильности. Работа вносит вклад в развитие методов финансового анализа, предлагая интеграцию энтропийного подхода в системы риск-менеджмента. Перспективы дальнейших исследований включают расширение набора источников информационного фона и оптимизацию параметров моделей. Работа выполнена в рамках реализации проекта «Разработка методологии формирования инструментальнои? базы анализа и моделирования пространственного социально-экономического развития систем в условиях цифровизации с опорои? на внутренние резервы» (FSEG-2023-0008).

Об авторах

П. А Якоб

Санкт-Петербургский политехнический университет Петра Великого

Список литературы

  1. Родионов Д.Г., Сорокин В.И., Митязов В.А., Конников Е.А. Анализ влияния информационного потока, генерируемого инвестором, на доходность инвестиционного портфеля // Экономические науки. 2023. № 223. С. 294 – 303.
  2. Родионов Д.Г., Арбатская Д.Е., Унгвари Л., Конников Е.А. Сравнительный анализ подходов к моделированию изменений на финансовых рынках технологического сектора экономики // Мягкие измерения и вычисления. 2024. Т. 74. № 1-1. С. 71 – 82.
  3. Dudek G., Fiszeder P., Kobus P., Orzeszko W. Forecasting cryptocurrencies volatility using statistical and machine learning methods: A comparative study // Applied Soft Computing. 2024. Т. 151. С. 111132. doi: 10.1016/j.asoc.2023.111132.
  4. Han B., Liu A., Chen J., Knottenbelt W. Can machine learning models better volatility forecasting? A combined method // The European Journal of Finance. 2025. № 9. С. 1–20. doi: 10.1080/1351847X.2025.2553053.
  5. Dehouche N. Revisiting the volatility of Bitcoin with approximate entropy // Financial Economics. 2021. № 29 (12). С. 101 – 118. doi: 10.1080/17520843.2021.2013588.
  6. Родионов Д.Г., Ильясов Р.Х., Хуан Т., Конников Е.А. Моделирование свойств распределения цен на рынке золота // Методология и инструментарий управления. 2024. № 2. С. 146 – 154.
  7. AlMadany N.N., Hujran O., Al Naymat G., Maghyereh A. Forecasting cryptocurrency returns using classical statistical and deep learning techniques // International Journal of Information Management Data Insights. 2024. Т. 4. С. 34 – 56. doi: 10.1016/j.jjimei.2024.100251.
  8. Tripathy N., Hota S., Mishra D., Satapathy P., Nayak S.K. Empirical forecasting analysis of Bitcoin prices: a comparison of machine learning, deep learning, and ensemble learning models // International Journal of Electrical and Computer Engineering Systems. 2024. Т. 15. № 1. С. 59 – 70.
  9. S?zen ?. Volatility dynamics of cryptocurrencies: a comparative analysis using GARCH-family models // Future Business Journal. 2025. Т. 11. № 166. С. 1 – 12. doi: 10.1186/s43093-025-00568-w
  10. Obanya P.O., Seitshiro M., Olivier C.P., Verster T. A permutation entropy analysis of Bitcoin volatility // Physica A: Statistical Mechanics and its Applications. 2024. Т. 638. № 15. С. 44 – 70. doi: 10.1016/j.physa.2024.129518.
  11. Assaf A., Bilgin M.H., Demir E. Using transfer entropy to measure information flows between cryptocurrencies // Physica A: Statistical Mechanics and its Applications. 2022. Т. 586. № 15. С. 107 – 114. doi: 10.1016/j.physa.2021.126454
  12. Zhou Y., Xie C., Wang G.-J., Gong J., Zhu Y. Forecasting cryptocurrency volatility: a novel framework based on the evolving multiscale graph neural network // Financial Innovation. 2025. Т. 11. С. 53 – 87. doi: 10.1186/s40854-025-00768-x
  13. Baur D.G., Dimpfl T., Kuck K. Liquidity in the cryptocurrency market and commonalities across exchanges // Journal of Financial Stability. 2022. Т. 59. С. 11-26. doi: 10.1016/j.jfs.2022.100967

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).