Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
https://dspace.uzhnu.edu.ua/jspui/handle/lib/58084
Назва: | Підходи щодо кластеризації криптовалют |
Інші назви: | Approaches to clusterization of cryptocurrencies |
Автори: | Сабов, Д. П. Шаркаді, Маріанна Миколаївна |
Ключові слова: | кластеризацiя, ефективнiсть, ризик, аналiз даних, кореляцiя, clustering, efficiency, risk, data analysis, correlation |
Дата публікації: | 2023 |
Видавництво: | Видавництво УжНУ "Говерла" |
Бібліографічний опис: | Сабов, Д. П. Підходи щодо кластеризації криптовалют / Д. П. Сабов, М. М. Шаркаді // Науковий вісник Ужгородського університету : серія: Математика і інформатика / редкол. М. М. Маляр (гол. ред.), Г. І. Сливка-Тилищак, Ю. В. Андрашко та ін. – Ужгород : Говерла, 2023. – Т. 1, Вип. 42. – С. 201–207. – Рез.: укр., англ. – Бібліогр.: с. 206–207 (6 назв) |
Серія/номер: | Математика і інформатика; |
Короткий огляд (реферат): | Криптовалюти еволюцiонували з цифрової новинки до технологiй на трильйон доларiв, що можуть за кiлька рокiв викликати значний вплив на глобальну фiнансову
систему. Бiткоїн та сотнi iнших криптовалют стають все бiльш популярними як iнвестицiйний iнструмент, а також використовуються для оплати товарiв та послуг, вiд
програмного забезпечення до нерухомостi [1].
В межах даної наукової роботи проведено кластеризацiю криптовалют з використанням рiзних методiв. Для проведення дослiдження використано реальнi данi iз
сервiсу CryptoCompare. На першому етапi набiр даних нормалiзовано та стандартизовано. Далi проведено зменшення розмiрностi даних. На наступних етапах визначено
оптимальну кiлькiсть кластерiв та проведено подiл криптовалют на вiдповiднi кластери. Для досягнення поставленої мети використано наступнi методи: EDA, PCA,
t-SNE, k-means, метод лiктя та силуетний метод. Cryptocurrencies have evolved from being a novel digital concept to a trillion-dollar technology that has the potential to significantly impact the global financial system in the coming years. Bitcoin and hundreds of other cryptocurrencies are gaining popularity as investment tools and are increasingly used to pay for goods and services ranging from software to real estate. Within the context of this scientific work, cryptocurrencies were clustered using various methods. Real data from the CryptoCompare service was used for the study. At the first stage, the data set is normalized and standardized. Data dimensionality reduction was then performed. At the next stages, the optimal number of clusters was determined and cryptocurrencies were divided into the corresponding clusters. To achieve the goal, the following methods were used: EDA, PCA, t-SNE, k-means, the elbow method, and the silhouette method. |
Тип: | Text |
Тип публікації: | Стаття |
URI (Уніфікований ідентифікатор ресурсу): | https://dspace.uzhnu.edu.ua/jspui/handle/lib/58084 |
ISSN: | 2616-7700 |
Розташовується у зібраннях: | Науковий вісник УжНУ Серія: Математика і інформатика. Том 42 №1 - 2023 |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
ПIДХОДИ ЩОДО КЛАСТЕРИЗАЦIЇ КРИПТОВАЛЮТ.pdf | 647.69 kB | Adobe PDF | Переглянути/Відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.