Аспекты создания методологии управления цифровыми финансовыми активами

Цель исследования – выделить ключевые аспекты, необходимые для формирования методологии проектирования систем управления торговыми операциями над криптовалютами. Методология проектиро

Цель исследования – выделить ключевые аспекты, необходимые для формирования методологии проектирования систем управления торговыми операциями над криптовалютами. Методология проектирования систем управления цифровыми активами определяет набор правил использования методов, моделей и алгоритмов, требуемых для построения систем, решающих комплексную проблему управления торговыми операциями над активами цифровой экономики. Для этого исследуются динамика и тренды ценообразования цифровых инвестиционно-финансовых активов для выявления особенностей и специфических закономерностей криптовалюты, учитывающих математическую модель эмиссии в условиях динамичного рынка криптоактивов, функционирующего непрерывно и формирующего цикличность и волновые структуры.

Материалы и методы. Объектом исследования является динамика стоимостных показателей рынка цифровых финансовых активов и цифровых валют. Предметом исследования являются методы, модели и алгоритмы для автоматизированного мониторинга и управления цифровыми финансовыми активами и криптовалютами. Методологическую базу исследования составляют технологии блокчейн, методы моделирования и математической статистики, методы искусственного интеллекта. Статистическая информационная база исследований сформирована на основе истории котировок стоимостных показателей компании Tradingview с международных торговых биржевых площадок цифровых валют, а также интеграторами рынков криптоактивов Coinmarketcap и Coingecko. Рассмотрены проблемы моделирования процессов в экономических системах, определена задача оптимального управления. Проводится критический анализ состояния в задачах экономического моделирования с учетом неопределенности, обусловленной социальными и психологическими причинами.

Результаты. В рамках предложенной методологии предлагается комплексное решение задачи управления цифровыми финансовыми активами и другими финансовыми инструментами, построенными на блокчейн-технологии. В качестве объекта управления предлагаемой методологии выступают цифровые валюты, исходная информация – вектор параметров, определяющих чувствительность системы к возмущающим воздействиям внешней среды и требования к ожидаемым результатам управления. В соответствии с научной новизной исследования и методологией формируется набор взаимосвязанных этапов исследования, состоящий из упорядоченного каскада методов, моделей и алгоритмов, которые осуществляют предварительный анализ, обработку и прогнозирование финансовых временных рядов стоимостных показателей.

Заключение. Новые блокчейн-технологии и появление Chat GPT (generative pre-trained transformer, генеративный предварительно обученный трансформер) бросает все новые вызовы обществу, которое надеется задействовать такие решения в том числе для задач экономики. С помощью безпрогнозных методов и искусственных нейронных сетей возможно проектировать программные системы, благодаря которым достигается повышение эффективности торговых операций при оптимальных рисках в автоматическом и автоматизированном режиме исполнения торговых поручений. Предложенная методология управления со вспомогательным интеллектуальным анализом временных рядов и применением комбинированного метода принятия решений, позволяет управлять портфелем нового класса актива цифровых валют, построенных на блокчейн-технологиях. Учитывая техническое сходство цифровых валют с цифровыми финансовыми активами, возможно использование методологии также и для создания систем управления ЦФА.

вания систем управления цифровыми активами определяет набор правил использования методов, моделей и алгоритмов, требуемых для построения систем, решающих комплексную проблему управления торговыми операциями над активами цифровой экономики. Для этого исследуются динамика и тренды ценообразования цифровых инвестиционно-финансовых активов для выявления особенностей и специфических закономерностей криптовалюты.

Материалы и методы. Объектом исследования является динамика стоимостных показателей рынка цифровых финансовых активов и цифровых валют. Предметом исследования являются методы, модели и алгоритмы для автоматизированного мониторинга и управления цифровыми финансовыми активами и криптовалютами. Рассмотрены проблемы моделирования процессов в экономических системах, определена задача оптимального управления. Проводится критический анализ состояния в задачах экономического моделирования с учетом неопределенности, обусловленной социальными и психологическими причинами.

Результаты. В рамках предложенной методологии предлагается комплексное решение задачи управления цифровыми финансовыми активами и другими финансовыми инструментами, построенными на блокчейн-технологии. В качестве объекта управления предлагаемой методологии выступают цифровые валюты, исходная информация – вектор параметров, определяющих чувствительность системы к возмущающим воздействиям внешней среды и требования к ожидаемым результатам управления. В соответствии с научной новизной исследования и методологией формируется набор взаимосвязанных этапов исследования, состоящий из каскада методов, моделей и алгоритмов, которые осуществляют предварительный анализ, обработку и прогнозирование финансовых временных рядов стоимостных показателей.

Заключение. С помощью безпрогнозных методов и искусственных нейронных сетей возможно проектировать программные системы, благодаря которым достигается повышение эффективности торговых операций при оптимальных рисках в автоматическом и автоматизированном режиме исполнения торговых поручений. Новые технологии и появление Chat GPT бросает все новые вызовы обществу, которое надеется задействовать такие решения в том числе и для задач прогнозирования экономики.

1. Cryptocurrencies and Blockchain Technology Applications. Ed. by Dac-Nhuong Le, Gulshan Shrivastava, Kavita Sharma. Beverly: Scrivener Publishing LLC, 2020. 295 с.

2. Федеральный закон от 31.07.2020 № 259-ФЗ «О цифровых финансовых активах, цифровой валюте и о внесении изменений в отдельные законодательные акты Российской Федерации».

3. Ларина О.И., Акимов О.М. Цифровые деньги на современном этапе: ключевые риски и направления развития // Финансы: теория и практика. 2020. Т. 24. № 4. С. 18–30.

4. Kuznetsova V.P., Bondarenko, I.A. The blockchain as a tool of the digital economy // Journal of Economic Regulation. 2018. № 9. C. 102–109.

5. Cryptocurrency Market Capitalization // CoinMarketCap [Электрон. ресурс]. Режим доступа: https://coinmarketcap.com/charts/ (Дата обращения: 02.04.2023).

6. ЦБ допустил экспериментальные криптовалютные платежи для внешних расчетов // РБК [Электрон. ресурс] Режим доступа: https://www.rbc.ru/crypto/news/643d56589a7947bd349a2fe3?from=newsfeed (Дата обращения: 21.05.2023).

7. Доугерти К. Введение в эконометрику. М.: ИНФРА-М, 2010. 465 с.

8. Тихомиров Н.П., Ушмаев О.С., Тихомирова Т.М. Методы эконометрики и многомерного статистического анализа. Под ред. Е.В. Полиевктовой. М.: Экономика, 2011. 647 с.

9. Jahnke W. The Asset Allocation Hoax // Journal of Financial Planning. February 1997. С. 109–113.

10. Brinson G.P., Hood L.R., Beebower G.L. Determinants of Portfolio Performance // Financial Analysts Journal. 1986. № 42. С. 133–138.

11. Brinson G.P., Singer B.D., Beebower G.L. Determinants of Portfolio Performance II: An Update // The Financial Analysts Journal. 1991. Vol. 47. No. 3. С. 40–48.

12. Fabozzi F.J., Markowitz H.M. The Theory and Practice of Investment Management. 2nd ed. Hoboken: John Wiley & Sons, 2011. 704 с.

13. Дуброва Т.А. Статистические методы прогнозирования в экономике: учебное пособие М.: ЕАОИ, 2011. 171 с.

14. Льюис К.Д. Методы прогнозирования экономических показателей. Пер. с англ. Е.З. Демиденко. М.: Финансы и статистика, 1986. 133 с.

15. Bitcoin Stock-To-Flow Model: A Beginner’s Guide [Электрон. ресурс]. Режим доступа: https://beincrypto.com/learn/bitcoin-stock-toflowmodel/. (Дата обращения: 21.05.2023).

16. Ashmore D., Curry B. (ed.) Understanding The Bitcoin Stock-to-Flow Model. [Электрон. ресурс]. Официальный сайт Forbes.Advisor. Режим доступа: https://www.forbes.com/advisor/investing/cryptocurrency/bitcoin-stock-to-flowmodel/. (Дата обращения: 18.05.2023).

17. Tsay R.S. Analysis of financial time series. Hoboken: John Wiley & Sons, 2010. 457 с.

18. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983. 199 c.

19. Проскуряков А.Ю., Кропотов Ю.А., Белов А.А, Ермолаев В.А. Патент на изобретение № 2600099. Способ нейросетевого прогнозирования изменения значений функции c её предварительной вейвлет-обработкой и устройство его осуществления. Зарегистрировано в Государственном реестре изобретений Российской Федерации от 22 сентября 2016 г.

20. Proskuryakov A.Y., Kropotov Y.A. Forecasting the change in the parameters of time series and continuous functions // Procedia Engineering. 2017. № 201. С. 789–800.

21. Кропотов Ю.А., Проскуряков А.Ю., Белов А.А. Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах // Компьютерная оптика. 2018. Т. 42. № 6. С. 1093–1100.

22. Матросов В.В., Шалфеев В.Д. Моделирование экономических и финансовых циклов: генерация и синхронизация // Известия вузов. ПНД. 2021. № 4 (29). С. 127–138.

23. Полунин Ю.А. Синтез методов нелинейной динамики и регрессионного анализа для исследования социально-экономических процессов // Проблемы управления. 2019. № 1. С. 32–44.

24. Prechter R.R. The Socionomic Theory of Finance. Gainesville: Socionomics Institute Press, 2016. 813 с.

25. Prechter R.R., Frost A.J. Elliott Wave Principle: Key to Market Behavior. Gainesville: New Classics Library, 2022. 260 с.

26. Nakamoto S. Bitcoin: A Peer-to-Peer Electronic Cash System. [Электрон. ресурс] Режим доступа: https://bitcoin.org/bitcoin.pdf. (Дата обращения: 21.05.2023).

27. Платформа для технического анализа TradingView [Электрон. ресурс]. Режим доступа: https://ru.tradingview.com/chart/hU1TOn67/?symbol=BITSTAMP%3ABTCUSD (Дата обращения 28.03.2023)

28. Hash Rate – Blockchain [Электрон. ресурс]. Режим доступа: https://www.blockchain.com/en/charts/hash-rate?timespan=2years (Дата обращения: 29.07.2023).

29. Спрос на криптовалюту для внешних расчетов // Официальный сайт РБК. [Электрон. ресурс]. Режим доступа: https://www.rbc.ru/crypto/news/6442126f9a79470b7e8b9006 (Дата обращения: 27.04.2023).

30. Замглавы ЦБ: криптовалюты займут свою нишу в международных расчетах // РБК [Электрон. ресурс] Официальный сайт РБК. Режим доступа: https://www.rbc.ru/crypto/news/64675b099a79470e02c817fd?from=newsfeed (Дата обращения: 22.05.2023).

31. Bitcoin’s inflation rate is now three times lower than U.S. dollar’s [Электрон. ресурс]. Режим доступа: https://finbold.com/bitcoinsinflationrate-is-now-three-times-lower-than-u-sdollars/ (Дата обращения: 29.07.2023).

32. Bitcoin stock to flow model live chart [Электрон. ресурс]. Режим доступа: https://charts.bitbo.io/stock-to-flow/. (Дата обращения: 25.05.2023).

33. Ермолаев В.А., Кропотов Ю.А., Проскуряков А.Ю. Построение моделей систем обмена информацией с дискретным и распределённым запаздыванием и задержанной обратной связью // Компьютерная оптика. 2020. Т. 44. № 3. С. 454–465.

34. Лон Вонг. Радикализируя ландшафт рынка ценных бумаг, второе издание 2019 [Электрон. ресурс] Режим доступа: https://files.proximax.io/pub-research/Radicalizing_the_Equity_Market_Version_2.0_(English).pdf. (Дата обращения: 05.06.2023).

35. Галанов В.А., Галанова А.В. Беспрогнозная торговля акциями как основа массового международного рынка торговых автоматов [Электрон. ресурс] // Международная торговля и торговая политика. 2017. №3 (11). С. 74–94. Режим доступа: https://cyberleninka.ru/article/n/besprognoznaya-torgovlya-aktsiyami-kak-osnovamassovogomezhdunarodnogo-rynka-torgovyhavtomatov (Дата обращения: 07.05.2023).

36. Lopez-Lira A., Tang Y. Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [Электрон. ресурс]. Режим доступа: https://ssrn.com/abstract=4412788 (Дата обращения: 21.05.2023).