Диссертации, представленные на защиту и подготовленные в НИУ ВШЭ

В диссертации исследуются прогнозные возможности нового предложенного автором метода «Метод Тройной Поправки» на 89 биржевых активах, которые содержат бОльшую долю капитализации индекса S&P500. Также приводится новый критерий абсолютной применимости моделей прогнозирования временных рядов и изучается применимость дискретных вейвлет-преобразований. В результате, при сравнении более чем 200 000 различных моделей и их модификаций с вейвлет-преобразованиями получено, что предложенный метод показывает сопоставимые или опережающие прочие модели результаты в значительной доле случаев, а также подтверждена практическая применимость вейвлет-преобразований в задачах прогнозирования экономических временных рядов.

Диссертационное исследование посвящено анализу влияния метрик сентимента инвесторов на пять биржевых характеристик криптовалюты Bitcoin, а также на суммарный объем дневных продаж NFT-активов. В  работе предложены авторские индексы сентимента RedditSI и NFT Hype Index для рынков Bitcoin и NFT соответственно. Индексы были построены на текстовых данных из социальных сетей с применением методов обработки естественного языка (NLP). RedditSI показал значимое влияние на биржевые характеристики BTC согласно всем рассмотренным методам статистического и событийного анализа, доказав, что может выступать в качестве полноценного индикатора настроений инвесторов на рынке ведущей криптовалюты. NFT Hype Index использовался в качестве одного из признаков при моделировании рынка NFT алгоритмами машинного обучения. Все подходы объяснимого искусственного интеллекта продемонстрировали превосходство NFT Hype Index над другими известными индексами сентимента при прогнозировании объема продаж NFT-токенов. Полученные результаты подтверждают гипотезу о том, что динамика рынков криптоактивов во многом определяется настроениями инвесторов в социальных сетях, выраженных через индексы сентимента.

Диссертационное исследование посвящено моделированию волатильности криптовалюты с использованием информации с финансовых рынков и различных показателей неопределенности. В качестве представителя рынка криптовалюты используется Bitcoin, выбор которого обусловлен популярностью и объемом капитализации данного актива. Предложена модель стохастического тренда, позволившая подтвердить гипотезу об эффекте перетока волатильности между двумя рынками. Произведено сравнение моделей типа GARCH  (Generalized AutoRegressive Conditional Heteroskedasticity) и HAR (Heterogeneous AutoRegressive) для прогнозирования волатильности криптовалюты Bitcoin на один день вперед. Модель ARDL применена для анализа влияния индексов экономической и рыночной неопределенности на волатильность Bitcoin. Показано, что влияние индексов различается в доковидном и постковидном периодах.