moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.51.4.063 2112 Методы комбинаторной оптимизации таксономических фильтров обработки информации для прогнозирования финансовых рынков Methods of combinatorial optimization of taxonomic filters for information processing in financial market forecasting Мусин Ильяс Расулевич Musin Ilyas Rasulevich im_rasulev@vk.com aff-1 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) Saint Petersburg State Electrotechnical University "LETI" named after V.I. Ulyanov (Lenin) 01 01 2026 1 1 10.26102/2310-6018/2025.51.4.063 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Статья посвящена исследованию системного анализа предсказательной способности тональности информационных потоков на рынке криптовалют. Предлагается метод системного анализа и комбинаторной оптимизации таксономических фильтров обработки новостной информации для максимизации эффективности коэффициента тональности в задачах прогнозирования динамики цен криптовалют с учетом временных лагов. Разработан взвешенный коэффициент тональности с логарифмическим множителем объема информационного потока, учитывающий полярность настроения, уровень важности событий и интенсивность новостного потока. Экспериментально установлен парадокс уровня воздействия, при котором информация низкой видимости демонстрирует повышенную предсказательную способность по сравнению с официальными сообщениями высокого воздействия вследствие эффектов информационной асимметрии и предварительной интеграции критических событий в цены институциональными участниками. Систематическая комбинаторная оптимизация 39 комбинаций таксономических фильтров для 10 криптовалют позволила выявить отсутствие универсального подхода к фильтрации и определить четыре различных паттерна реакции активов на информационный фон. Для Bitcoin достигнута корреляция 0,3611 с опережающим лагом +3 дня при использовании фильтра информации низкой видимости, что обеспечивает значительное улучшение на 32 % по сравнению с базовым методом (корреляция 0,2737, запаздывающий лаг −6 дней). Метод валидирован на корпусе из 108637 классифицированных единиц информации за период с июня по сентябрь 2025 года с применением языковых моделей для многотаксономической классификации.

The article is devoted to the study of the system analysis of the predictive ability of the tonality of information flows in the cryptocurrency market. A method of system analysis and combinatorial optimization of taxonomic filters for processing news information is proposed to maximize the effectiveness of the tonality coefficient in predicting the dynamics of cryptocurrency prices, taking into account time lags. A weighted tonality coefficient with a logarithmic multiplier of the information flow volume has been developed, accounting for sentiment polarity, event importance level, and news flow intensity. The paradox of the impact level has been experimentally established, in which low-visibility information demonstrates increased predictive ability compared to official high-impact messages due to the effects of information asymmetry and preliminary integration of critical events into prices by institutional participants. Systematic combinatorial optimization of 39 combinations of taxonomic filters for 10 cryptocurrencies revealed the lack of a universal approach to filtering and identified four different patterns of asset response to the information background. For Bitcoin, a correlation of 0.3611 was achieved with a leading lag of +3 days when using a low-visibility information filter, which provides a significant 32 % improvement over the basic method (correlation of 0.2737, lagging lag of −6 days). The method was validated on a corpus of 108637 classified information units for the period June-September 2025 using language models for multi-taxonomic classification.

 системный анализ анализ временных лагов обработка информации анализ тональности корреляционный анализ рынки криптовалют system analysis time lag analysis information processing tonality analysis correlation analysis cryptocurrency markets Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Bollen J., Mao H., Zeng X. Twitter Mood Predicts the Stock Market. Journal of Computational Science. 2011;2(1):1–8. https://doi.org/10.1016/j.jocs.2010.12.007 Kraaijeveld O., De Smedt J. The Predictive Power of Public Twitter Sentiment for Forecasting Cryptocurrency Prices. Journal of International Financial Markets, Institutions and Money. 2020;65. https://doi.org/10.1016/j.intfin.2020.101188 Valencia F., Gómez-Espinosa A., Valdés-Aguirre B. Price Movement Prediction of Cryptocurrencies Using Sentiment Analysis and Machine Learning. Entropy. 2019;21(6). https://doi.org/10.3390/e21060589 Merton R.C. A Simple Model of Capital Market Equilibrium with Incomplete Information. The Journal of Finance. 1987;42(3):483–510. Tetlock P.C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market. The Journal of Finance. 2007;62(3):1139–1168. Abraham J., Higdon D., Nelson J., Ibarra J. Cryptocurrency Price Prediction Using Tweet Volumes and Sentiment Analysis. SMU Data Science Review. 2018;1(3). https://scholar.smu.edu/datasciencereview/vol1/iss3/1 Shen D., Urquhart A., Wang P. Does Twitter Predict Bitcoin? Economics Letters. 2019;174:118–122. https://doi.org/10.1016/j.econlet.2018.11.007 Guyon I., Elisseeff A. An Introduction of Variable and Feature Selection. Journal of Machine Learning Research. 2003;3:1157–1182. Loughran T., McDonald B. When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance. 2011;66(1):35–65. https://doi.org/10.1111/j.1540-6261.2010.01625.x Makarov I., Schoar A. Trading and Arbitrage in Cryptocurrency Markets. Journal of Financial Economics. 2020;135(2):293–319. https://doi.org/10.1016/j.jfineco.2019.07.001

The authors declare that there are no conflicts of interest present.