Abstract
Увеличение цифровизации финансовых рынков и рост торговых пар We b3 существенно повлияли на торговлю активами, создавая но-вые вызовы в прогнозировании волатильности цен. Традиционные стратегии управления рисками зачастую не справляются с непредсказуемой природой криптовалютных рынков. В данном исследовании рассматривается примене-ние передовых моделей машинного обучения для прогнозирования волатиль-ности цен в криптовалютных торговых парах. Мысравниваемэффективностьмоделей Temporal Fusion Transformer (TFT), Temporal Convolutional Network (TCN), XGBoost, Random Forest игибридноймодели CNN-LSTM. Наши результаты показывают, что модели TFT и гибридная CNN-LSTM превосходят традиционные рекуррентные нейронные сети в улавливании сложных рыночных динамик, способствуя улучшению стратегий управления рисками в высокочастотной торговле криптовалютами.