Пошук академічних текстів

Інформація × Реєстраційний номер 0825U001260, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту 30-05-2025 Статус Наказ про видачу диплома Назва роботи Поведінкова економіка віртуальних активів Здобувач Луценко Ростислав Русланович, Керівник Гур’янова Лідія Семенівна Опонент Камінський Андрій Борисович Опонент Турлакова Світлана Сергіївна Рецензент Іващенко Марина Вікторівна Рецензент Глущенко Ольга Вікторівна Опис Дисертаційна робота присвячена теоретико-методичному обґрунтуванню та розробці механізмів і моделей поведінкової економіки віртуальних активів, які дозволяють здійснювати моніторинг даних соціальних мереж в контексті визначення поведінкових детермінант стейкхолдерів ринку віртуальних активів. У дослідженні проаналізовано основні концепції поведінкової економіки у контексті віртуальних активів та визначено специфіку різних їх типів. Особливу увагу приділено впливу соціальних мереж на формування поведінкових детермінант стейкхолдерів ринку віртуальних активів. Розроблено механізм моніторингу даних соціальних мереж, який дозволяє оперативно збирати та обробляти інформацію про настрої інвесторів, їх реакції на ринкові зміни та динаміку обговорень. Ідентифіковано та класифіковано основні поведінкові фактори, які впливають на процес прийняття рішень стейкхолдерами ринку віртуальних активів. Побудовано моделі динаміки криптовалютного ринку з урахуванням поведінкових метрик. Практичне значення отриманих результатів полягає у розробці комплексного підходу до аналізу динаміки ринку віртуальних активів на основі поведінкових детермінант стейкхолдерів. Використання запропонованої системи моніторингу даних із соціальних мереж дозволяє здійснювати збір інформації в режимі реального часу. Запропоновано підходи до інтеграції поведінкових метрик у моделі машинного навчання для підвищення точності прогнозів. Визначені ключові платформи для моніторингу ринкових трендів, аналізу поведінкових факторів та прогнозування цінових змін. Досліджено основні евристики та когнітивні викривлення, які визначають поведінку стейкхолдерів ринку віртуальних активів. Особливу увагу приділено ефектам володіння, якорування, підтвердження, доступності, статусу-кво, FOMO, надмірній впевненості та колективній поведінці. Показано вплив емоційних чинників, таких як страх та жадібність, а також емоційного інтелекту, особливо в умовах нестабільності й новизни ринку віртуальних активів. Розроблено класифікацію поведінкових упереджень стейкхолдерів на афективні, когнітивні та конативні, що дозволило запропонувати категоризацію інвесторів ринку віртуальних активів. Соціальні мережі визначено як важливий фактор, що посилює масову поведінку та вплив лідерів думок. Підкреслено необхідність врахування емоційних і поведінкових аспектів під час розробки бізнес-стратегій для віртуальних активів. Наголошено на важливості рівня цифрової грамотності стейкхолдерів. Розглянуто поведінкові аспекти ринку віртуальних активів у контексті теорії поколінь X, Y, Z, акцентуючи увагу на відмінностях у підходах до використання віртуальних активів залежно від рівня цифрових навичок. Систематизовано сучасні підходи для моделювання прийняття технологій у контексті віртуальних активів. Проведений порівняльний аналіз методів інтелектуального аналізу даних, включно з машинним навчанням, часовими рядами, нейронними мережами, NLP, які застосовуються для досліджень настроїв і поведінкових детермінант у соціальних мережах. Результати аналізу соціальних мереж створюють основу для ефективної інтеграції даних соціальних мереж у моделі прогнозування динаміки ринку віртуальних активів. Дані активності користувачів, зміст публікацій і тональність обговорень є індикаторами настроїв і поведінкових патернів інвесторів. Сформовані рекомендації щодо вдосконалення підходів до збору, обробки та аналізу даних соціальних мереж для досліджень у сфері поведінкової економіки віртуальних активів. Використання машинного навчання (поліноміальна регресія, дерева рішень, випадковий ліс, ARIMAX) підтвердило важливість багатофакторного підходу для моделювання динаміки цін. Нелінійні методи дозволяють враховувати складні взаємозв'язки між активністю в соціальних мережах, психологічними факторами та фінансовими показниками. Тестування моделей показало, що врахування соціальних даних значно підвищує точність прогнозів. Моделі машинного навчання продемонстрували найвищу ефективність завдяки здатності враховувати нелінійні ефекти. Дисертаційна робота розкриває переваги інтеграції поведінкових метрик стейкхолдерів ринку віртуальних активів у моделі прогнозування динаміки ринку, використовуючи дані із соціальних мереж. Результати моніторингу сприяють вдосконаленню моделей прогнозування динаміки ринку віртуальних активів за рахунок інтеграції соціальних індикаторів настроїв стейкхолдерів ринку віртуальних активів. Дата реєстрації 2025-04-14 Додано в НРАТ 2025-04-14 Закрити