A rugalmas mesterséges intelligencia rendszerek bevezetésének gazdasági hatékonysága a nagy mennyiségű adatok digitalizálásában a kriptovaluta piacon
DOI:
https://doi.org/10.58423/2786-6742/2025-11-44-57Kulcsszavak:
digitális átalakulás, gazdasági hatékonyság, kriptovaluta, mesterséges intelligencia, big data, pénzügyi piacok, kriptopiacAbsztrakt
A kriptovaluta-piac gyors fejlődése és a big data mennyiségének folyamatos növekedése szükségessé teszi rugalmas mesterségesintelligencia-rendszerek alkalmazását az elemzési, előrejelzési és kockázatkezelési folyamatok gazdasági hatékonyságának növelése érdekében. A magas volatilitás, az információs aszimmetria, valamint az adatfeldolgozás sebességével szemben támasztott egyre növekvő követelmények mellett az intelligens algoritmusok alkalmazása a kriptovaluta-piaci szereplők versenyképességének egyik meghatározó tényezőjévé válik. Mindez hangsúlyozza annak tudományos és gyakorlati jelentőségét, hogy vizsgáljuk a rugalmas mesterségesintelligencia-rendszerek alkalmazásának gazdasági hatékonyságát a big data digitalizációja során a kriptovaluta-piacon. A munka célja az AI rugalmasságának fő gazdasági meghatározó tényezőinek meghatározása, azoknak a pénzügyi piacok kriptovaluta szegmensében végzett árelemzési és -előrejelzési folyamatokra gyakorolt hatásának értékelése, valamint az ilyen rendszerek gazdasági hatékonyságának alátámasztása a vállalatok vállalati stratégiáiban. A kutatás tárgya a mesterséges intelligencia (AI) rugalmassága a kriptovaluta-piacon történő nagy adatmennyiségek feldolgozása során, amelyet az algoritmikus kereskedelem és az analitikai rendszerek hatékonyságának növelésének egyik kulcsfontosságú tényezőjeként tekintenek a nagy volatilitású környezetben. Az AI rugalmasságát úgy kell értelmezni, mint annak képességét, hogy alkalmazkodjon a gyorsan változó piaci feltételekhez, ami meghatározza a prognózisok és a vezetői döntések hatékonyságát. A kutatás módszertana a modern digitális technológiák, különösen a gépi tanulás és a neurális hálózatok összehasonlító és rendszerelemzésén, valamint a lineáris regresszió és a gépi tanulás algoritmusainak felhasználásával történő előrejelzési forgatókönyvek modellezésén alapul. A tanulmány figyelembe veszi mind a pénzügyi technológiák területén elért elméleti eredményeket, mind az AI algoritmikus kereskedelemre való alkalmazásának gyakorlati példáit a kriptovaluta piacon.
A kutatás eredményei azt mutatják, hogy az AI rugalmasságát több tényező együttes hatása eredményezi: az algoritmusok automatikus frissítési és öntanulási képessége; különböző típusú adatforrások integrációja, beleértve a közösségi médiából és hírforrásokból származó információáramlást; az ember és a gép közötti gyors interakció biztosítása, ami felgyorsítja a döntéshozatali folyamatot; valamint a kiberbiztonsági szempontok figyelembevétele, amelyek kritikus fontosságúak a digitális platformok stabil működése szempontjából. Megállapítást nyert, hogy éppen az adaptációs mechanizmusok megléte teszi lehetővé a prognózisok pontosságának növelését és a piaci volatilitással kapcsolatos kockázatok minimalizálását.
Az eredmények alkalmazási területe magában foglalja az algoritmikus kereskedés gyakorlatát, az ártrendek előrejelzésére szolgáló analitikai rendszerek fejlesztését, a kriptovaluta-piacon alkalmazott vállalati stratégiák kialakítását, valamint a pénzügyi technológiákkal és a digitális gazdasággal kapcsolatos oktatási programokat. A kapott következtetéseket mind az elemzők és kereskedők, mind az innovatív digitális technológiákat tevékenységükbe integráló vállalatok vezetői felhasználhatják.
A következtetésekben hangsúlyt kap az a tény, hogy az AI alkalmazásának gazdasági hatékonysága a kriptovaluta-piacon attól függ, hogy komplex módon figyelembe veszik-e a rugalmasságának meghatározó tényezőit, amelyek közül az algoritmusok adaptivitása és az adatok védelme kapnak kiemelt szerepet. Az AI alkalmazása nemcsak optimalizálja az előrejelzési és kereskedési folyamatokat, hanem új lehetőségeket is megnyit a digitális átalakulás körülményei között a vállalkozások fejlődése számára. A technológiai innovációk és a kockázatkezelés szisztematikus megközelítésének ötvözése alapot teremt a pénzügyi technológiák területén működő vállalatok versenyképességének növeléséhez.
Hivatkozások
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##
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2025 Oleksandr Brechko, Vadim Schuchmann
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
A szerzők fenntartják a szerzői jogokat, és jogot adnak a folyóiratnak a cikk első közzétételére, amely egyidejűleg engedélyezett a Creative Commons CC BY-NC licence alapján.
