Представлен первый этап разработки стандартизированного подхода к оценке прогнозирования криптовалют с учетом новостного фона. Предложен двухэтапный метод, включающий парсинг новостей, извлечение признаков через NLP (тональность, сущности, влиятельность) и сравнение ARIMA, Random Forest, XGBoost и LSTM на двух языковых корпусах. Результаты показывают снижение RMSE на 15–20% и повышение точности прогноза с 50% до 60% и выше для ML-моделей относительно базовой ARIMA. Ключевые слова: бенчмаркинг, машинное обучение, криптовалюты, новостной фон, ARIMA, LSTM, XGBoost, Random Forest, NLP, анализ тональности, краткосрочное прогнозирование.

Довгополик В.С. (науч. рук. Подкорытова О.А.) Разработка подхода к стандартизированной оценке влияния новостного фона на краткосрочную динамику цифровых активов: бенчмаркинг методов машинного обучения и классических временных рядов // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/18102