Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
ℹ️Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
1. Введение 4
2. Постановка задачи 5
2.1. Вопросы исследования 5
3. Обзор 7
4. Данные 11
4.1. Технические индикаторы 11
4.2. Фундаментальные показатели 14
4.3. Макроэкономические показатели 17
5. Архитектуры нейронных сетей 18
5.1. Multi-layer perceptron 18
5.2. LSTM[1] 18
5.3. GRU[2] 21
5.4. biLSTM[3] 22
5.5. sLSTM 22
6. Методология 24
6.1. Подготовка данных 24
6.2. Подготовка и запуск моделей 29
7. Результаты 31
7.1. Обсуждение результатов 31
8. Заключение 33
Список литературы 34
Приложение 38
📖 Введение
В течение последних нескольких лет в мире отмечается устойчивый тренд на так называемые криптовалюты. Начало этому положила первая в мире криптовалюта - Bitcoin [4]. Если в начале крупные игроки не интересовались этим видом активов, то сейчас криптовалюты заняли свою нишу и многие участники торгов добавляют их в свои портфели. И естественным образом перед ними встает вопрос о прогнозировании цены на них.
В данный момент уже существует более чем 9000 разных крипто-валют [5], а общая капитализация рынка превышает 1.9трлн долларов США. Все это многообразие криптовалют обладает разными характеристиками (далее рассмотрим какими именно), но они едины в основополагающих принципах анонимности и децентрализованного устройства сети.
Предсказывание финансовых рынков - очень сложная задача. Прежде всего котировки ценных бумаг (и криптовалют, в частности отличаются большим количеством шумов и наличием сложных внутренних взаимосвязей. Из-за этого стандартные статистические способы пред-сказания доходности не дают желаемого результата [6]. Поэтому в работе будем использовать нейронные сети, которые на данный момент являются state of the art в области предсказания финансовых временных рядов.
✅ Заключение
• В ходе работы были реализованы несколько основных моделей нейронных сетей для предсказания доходностей финансовых активов. Результаты их работы были сравнены друг с другом. На различных криптовалютах лучше работали различные архитектуры, но в среднем лучше всего себя показала GRU сеть. При этом MLP модель показала самые худшие результаты и проиграла всем остальным моделям
• Произведено сравнение моделей, обученных на разных датасетах: технических индикаторов, фундаментальных показателях и макроэкономических показателях. Также был собран итоговый дата- сет, который включал в себя все прочие датасеты.
• В ходе работы была показана эффективность использования алгоритма уменьшения размерности исходных данных SHAP [30], в результате работы которого были убраны технические признаки, которые использовались в работах [11][17] и просто замедляли процесс обучения нейронных сетей, не улучшая при этом результат. При этом после уменьшения кол-ва признаков в 2-3 раза итоговая ошибка нейронных сетей изменялась незначительно.
