Економічна ефективність впровадження гнучких систем штучного інтелекту у цифровізацію великих даних на ринку криптовалют
DOI:
https://doi.org/10.58423/2786-6742/2025-11-44-57Ключові слова:
цифрова трансформація, економічна ефективність, криптовалюта, штучний інтелект, великі дані, фінансові ринки, крипторинокАнотація
Стрімкий розвиток ринку криптовалют та зростання обсягів великих даних зумовлюють потребу у впровадженні гнучких систем штучного інтелекту для підвищення економічної ефективності процесів аналізу, прогнозування та управління ризиками. В умовах високої волатильності, інформаційної асиметрії та зростаючих вимог до швидкості обробки даних використання інтелектуальних алгоритмів стає ключовим чинником конкурентоспроможності учасників крипторинку. Це обумовлює наукову й практичну значущість дослідження економічної ефективності застосування гнучких систем штучного інтелекту в цифровізації великих даних на ринку криптовалют. Метою роботи є визначення основних економічних детермінантів гнучкості ШІ, оцінка їхнього впливу на процеси аналізу та прогнозування цін у криптовалютному сегменті фінансових ринків, а також обґрунтування економічної ефективності таких систем у корпоративні стратегії компаній. Предметом дослідження є гнучкість штучного інтелекту (ШІ) у процесі обробки великих даних на ринку криптовалют, що розглядається як один із ключових факторів підвищення ефективності алгоритмічної торгівлі та аналітичних систем у високоволатильному середовищі. Гнучкість ШІ трактується як його здатність адаптуватися до швидкоплинних змін ринкових умов, що визначає результативність прогнозування та прийняття управлінських рішень. Методологія дослідження ґрунтується на застосуванні порівняльного та системного аналізу сучасних цифрових технологій, зокрема машинного навчання та нейронних мереж, а також на моделюванні прогнозних сценаріїв із використанням лінійної регресії та алгоритмів машинного навчання. У роботі враховано як теоретичні напрацювання в галузі фінансових технологій, так і практичні приклади впровадження ШІ для алгоритмічної торгівлі на ринку криптовалют.
Результати дослідження демонструють, що гнучкість ШІ зумовлюється поєднанням кількох чинників: здатністю алгоритмів до автоматичного оновлення й самонавчання; інтеграцією різнотипних джерел даних, включно з інформаційними потоками із соціальних медіа та новинних ресурсів; забезпеченням швидкої взаємодії між людиною та машиною, що прискорює процес ухвалення рішень; а також врахуванням аспектів кібербезпеки, які виступають критично важливими для стабільності функціонування цифрових платформ. Виявлено, що саме наявність механізмів адаптації дозволяє підвищити точність прогнозів і мінімізувати ризики, пов’язані з ринковою волатильністю.
Сфера застосування результатів охоплює практику алгоритмічної торгівлі, розробку аналітичних систем прогнозування цінових трендів, формування корпоративних стратегій на ринку криптовалют, а також освітні програми з фінансових технологій та цифрової економіки. Отримані висновки можуть бути використані як аналітиками й трейдерами, так і керівниками підприємств, що інтегрують інноваційні цифрові технології у свою діяльність.
У висновках підкреслюється, що економічна ефективність застосування ШІ на криптовалютному ринку залежить від комплексного врахування детермінант його гнучкості, серед яких провідне місце займають адаптивність алгоритмів та захист даних. Використання ШІ не лише оптимізує процеси прогнозування й торгівлі, але й відкриває нові можливості для розвитку бізнесу в умовах цифрової трансформації. Поєднання технологічних інновацій із системним підходом до управління ризиками формує підґрунтя для підвищення конкурентоспроможності компаній у сфері фінансових технологій.
Посилання
1. Brechko, O. V. (2023). Development of DeFi and Web3 in the context of digital transformation. Ekonomichnyi dyskurs, (3–4), 95–109. https://doi.org/10.36742/2410-0919-2023-2-1 [in Ukrainian]
2. Derbentsev, V., Matviychuk, A., & Solovyov, V. (2020). Cryptocurrency price forecasting using machine learning. In L. Pikhl, K. Eom, E. Skalas, & T. Kaydzodzi (Eds.), Advanced research in financial technologies and cryptocurrency markets (pp. 211–231). Springer Singapore. https://doi.org/10.1007/978-981-15-4498-9_12 [in English]
3. Kleban, Yu., & Stasyuk, T. (2022). Cryptocurrency price forecasting: Prospects of neural networks. Visnyk Natsionalnoho banku Ukrainy, 254, 29–42. https://doi.org/10.26531/vnbu2022.254.03 [in Ukrainian]
4. Nikolenko, D. (2021). Machine learning and decision-making. Bukhhalterski ta finansovi doslidzhennia, 10(3), 1–12. https://doi.org/10.5430/afr.v10n3p1 [in Ukrainian]
5. Kuchkovskyi, V. V. (2022). Blockchain information technologies for big data processing (Candidate’s thesis). National University “Lviv Polytechnic”, Lviv, Ukraine. [in Ukrainian]
6. Danilov, V., & Oliynyk, B. (2022). Forecasting stock prices using neural networks. InterConf Grafiati, 14(113), 479–485. http://dx.doi.org/10.51582/interconf.19-20.06.2022.051 [in Ukrainian]
7. Didyk, A. M., & Nechay, O. R. (2024). Comparative analysis of the formation and development of cryptocurrencies in the world: Lessons for Ukraine. Visnyk Skhidnoukrainskoho natsionalnoho universytetu imeni Volodymyra Dalya, (3), 112–118. [in Ukrainian]
8. Hlushchenko, O. V., Shvayko, M. L., Khmelkov, A. V., & Danylkyna, O. I. (2023). Modern trends in the cryptocurrency market in Ukraine. Zbirnyk naukovykh prats Kharkivskoho natsionalnoho universytetu imeni V. N. Karazina, (18), 59–65. [in Ukrainian]
9. Nechay, O. (Ed.). (2024). Concepts, types and prospects of cryptocurrency use in Ukraine. Modeliuvannia rozvytku ekonomichnykh system, (2), 23–29. [in Ukrainian]
10. Wu, J., Zhang, X., Huang, F., Zhou, H., & Chandra, R. (2024). Review of deep learning models for crypto price prediction: implementation and evaluation. ArXiv, abs/2405.11431. https://doi.org/10.48550/arXiv.2405.11431
11. Sonh, K. H., Den, L., Van, K. H., et al. (2025). Deep learning-based time series forecasting. Artificial Intelligence Review, 58, 23. https://doi.org/10.1007/s10462-024-10989-8 [in English]
12. Guo, Q., Lei, S., Ye, Q., & Fang Z. (2021). MRC-LSTM: Hibrydnyy pidkhid bahatomasshtabnoyi zalyshkovoyi CNN ta LSTM dlya prohnozuvannya tsiny Bitcoin. https://arxiv.org/abs/2105.00707 (2021) [in English]
13. Cohen, G., & Aiche, A. (2025). Predicting the Bitcoin's price using AI. Frontiers in artificial intelligence, 8, 1519805. https://doi.org/10.3389/frai.2025.1519805
14. CoinMarketCap. (n.d.). Cryptocurrency market capitalization. https://coinmarketcap.com [in English]
15. McKinsey & Company. (n.d.). The state of AI: How organizations are transforming to capture value. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai [in English]
16. McKinsey & Company. (2024). The state of AI in early 2024: Next-generation AI adoption is accelerating and beginning to generate value. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2024 [in English]
17. McKinsey & Company. (n.d.). The next innovation revolution - enabled by AI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-next-innovation-revolution-pow [in English]
18. Two Sigma Investments. (n.d.). Using artificial intelligence and machine learning in algorithmic trading. https://www.twosigma.com/ [in English]
19. CryptoHedge. (n.d.). A platform for cryptocurrency price forecasting using neural networks. https://www.cryptohopper.com [in English]
20. CoinPredictor. (n.d.). A service for forecasting and analyzing the cryptocurrency market using artificial intelligence. https://coinpredictor.live/ [in English]
21. Numerai. (n.d.). A hedge fund using artificial intelligence and crowdsourcing for algorithmic trading. https://www.numer.ai/ [in English]
22. Chainalysis. (n.d.). A platform for blockchain data analysis and financial crime investigation. https://www.chainalysis.com/ [in English]
23. Elliptic. (n.d.). Blockchain analytics and compliance solutions for cryptocurrency transactions. https://www.elliptic.co/ [in English]
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Oleksandr Brechko, Vadim Schuchmann

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
