Прогнозирование экономических и финансовых временных рядов является сложной задачей из-за неопределенности событий или неполноты информации в экономике, в которой мы живем. Такая ситуация порождает высокий уровень волатильности временных рядов. Для более точного прогнозирования авторы со временем применяют все более сложные методы прогнозирования.
В ходе работы я буду использовать язык программирования Python, чтобы сделать сравнительный анализ двух моделей: ARIMA и LSTM.
Python – это свободно распространяемый динамический язык с открытым исходным кодом, который очень подходит для интерактивной разработки. Он также широко используется в машинном обучении и науке о данных благодаря своей библиотечной поддержке. Для запуска программ на Python необходимо импортировать некоторые важные библиотеки для временных рядов, такие как: NumPy, обеспечивающая эффективные операции с массивами; Matplotlib для построения графиков данных; Pandas, предоставляющая высокопроизводительные инструменты для загрузки и обработки данных; Statsmodels, обеспечивающая статистическое моделирование, и Scikit learn, помогающая разрабатывать и практиковать машинное обучение на Python.
В первой части я описываю функционирование биткоина и блокчейна, даю краткое описание о том, что было до появления этой криптовалюты, предоставляю некоторые плюсы и минусы этой валюты, а также предыдущие исследования о биткоине, включая исследования, сравнивающие традиционные эконометрические модели с новыми подходами машинного обучения.
Во второй части я привожу некоторые выводы, связанные с обеими моделями: ARIMA и LSTM, с точки зрения прогнозирования. Чтобы лучше понять подход LSTM, в этом разделе я также рассказываю о нейронных сетях (ANN) и рекуррентных нейронных сетях (RNN).
В третьей части я описываю данные, используемые в данной работе, а данные дальше можно будет визуализировать с помощью Python, Google Colab и вспомогательных библиотек, и сравнить полученные результаты с реальными, используя модели ARIMA и LSTM.
В данной работе было описано функционирование биткоина и блокчейна, разобраны плюсы и минусы этой криптовалюты, сделаны некоторые выводы, связанные с обеими моделями: ARIMA и LSTM с точки зрения прогнозирования, приведены рабочие данные, с помощью которых дальше можно будет визуализировать и сравнить полученные результаты с реальными и уже после сделать сравнительный анализ моделей прогнозирования курса криптовалюты на основе биткоина.
