В результаті проведених досліджень була побудована архітектура мережі та підібрані ваги таким чином, щоб мережа вирішувала поставлене завдання.
Отримані результати використовуються для порівняння точності прогнозування цін цифрового активу на тестовому наборі даних.
В якості програмної платформи використано Anaconda та мова програмування Python з бібліотеками машинного навчання Google Tensorflow та Keras. Пропонована розробка є корисною для пошуку найкращого часу для створення портфеля інвестицій у цифрових активах.