Název:
Prediktivní síla strojového učení v kryptoaktivech
Překlad názvu:
Predictive Power of Machine Learning in Cryptoassets
Autoři:
Duda, Miroslav ; Krištoufek, Ladislav (vedoucí práce) ; Baruník, Jozef (oponent) Typ dokumentu: Diplomové práce
Rok:
2021
Jazyk:
eng
Abstrakt: [eng][cze] The work attempts to forecast the sign of the price change for cryptoasset time series through classification. The main purpose is to find evidence concerning market efficiency of the cryptoasset markets, potential trading strategies, and differences between the modelled assets. Supporting vector machines, random forests, and multilayer perceptron models are used. An additional model aggre- gates the results of the previous three. Bitcoin, Ether, XRP, and Binance Coin are the modelled cryptoassets. The input variables include transformed daily closing prices up to five lags, trading volumes, volatility, and moving averages. Random forest models perform the best, followed by supporting vector ma- chines, and multilayer perceptrons. Aggregation does not produce improved forecasting performance. The two older assets, Bitcoin and Ethereum, are found to be less forecastable than the newer, Binance Coin and XRP. Dif- ferences between the assets exist as exhibited through forecastability. Higher classification accuracies are not found to imply better trading performance. JEL Classification C15, C69, G13, G14, G17 Keywords cryptoassets, machine learning, forecasting, cryptocurrencies Title Predictive Power of Machine Learning in Cryp- toassetsPráce se pokouší předpovědět znaménko změny pro časové série cen kryptoak- tiv pomocí klasifikace. Hlavním cílem práce je získat empirické důkazy týkající se tržní efektivity pro trhy s kryptoaktivy, potenciální obchodovací strategie a rozdíly mezi modelovanými aktivy. Použity jsou metoda podpůrných vektorů, náhodných lesů a vrstevnatých perceptronů. Další model slučuje výsledky před- chozích tří. Modelovanými kryptoaktivy jsou Bitcoin, Ether, XRP a Binance Coin. Vstupními proměnnými jsou transformované denní závěrečné ceny po pátý posun, objemy obchodů, volatilita a klouzavé průměry. Nejlepší výsledky mají náhodné lesy, následovány metodou podpůrných vektorů a vrstevnatými perceptrony. Sloučení nezlepšuje kvalitu předpovědí. Dvě starší aktiva, Bit- coin a Ethereum, jsou hůře předpovídatelné než novější, Binance Coin a XRP. Na základě předpovídatelnosti existují mezi aktivy rozdíly. Není nalezen vztah mezi vyšší přesností klasifikace a lepšími výsledky v obchodování. Klasifikace JEL C15, C69, G13, G14, G17 Klíčová slova kryptoaktiva, strojové učení, předpověď, kryptoměny Název práce Prediktivní síla strojového učení v kryp- toaktivech
Klíčová slova:
kryptoaktiva; kryptoměny; předpověď; strojové učení; cryptoassets; cryptocurrencies; forecasting; machine learning