Тип работы:
Предмет:
Язык работы:


Применение нейронных сетей для прогнозирования цен на рынке криптовалют

Работа №128233

Тип работы

Бакалаврская работа

Предмет

информационные системы

Объем работы38
Год сдачи2021
Стоимость4370 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
64
Не подходит работа?

Узнай цену на написание


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


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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


• 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.



[1] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, vol. 9, pp. 1735-1780, 11 1997.
[2] J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical evaluation of gated recurrent neural networks on sequence modeling,” 2014.
[3] A. Graves and J. Schmidhuber, “Framewise phoneme classification with bidirectional lstm and other neural network architectures,” Neural Networks, vol. 18, no. 5, pp. 602-610, 2005. IJCNN 2005.
[4] S. Nakamoto, “Bitcoin: A peer-to-peer electronic cash system,” http://bitcoin.org/bitcoin.pdf,” 2008.
[5] “Cryptocurrency Prices, Charts And Market Capitalizations, https://coinmarketcap.com/.”
[6] E. Karakoyun and A. Cibikdiken, “Comparison of arima time series model and lstm deep learning algorithm for bitcoin price forecasting,” in The 13th Multidisciplinary Academic Conference in Prague, vol. 2018, pp. 171-180, 2018.
[7] T. Zoumpekas, E. Houstis, and M. Vavalis, “Eth analysis and predictions utilizing deep learning,” Expert Systems with Applications, vol. 162, p. 113866, 2020.
[8] A. Dutta, S. Kumar, and M. Basu, “A gated recurrent unit approach to bitcoin price prediction,” Journal of Risk and Financial Management, vol. 13, p. 23, Feb 2020.
[9] S. Corbet, C. Larkin, B. M. Lucey, A. Meegan, and L. Yarovaya, “The impact of macroeconomic news on bitcoin returns,” The European Journal of Finance, vol. 26, no. 14, pp. 1396-1416, 2020.
[10] Z. Qiang, “Bitcoin High-Frequency Trend Predictionwith Convolutional and Recurrent NeuralNetworks,” stanford winter report 70308950, Dtanford, Mar. 2021.
[11] S. Alonso-Monsalve, A. L. Suarez-Cetrulo, A. Cervantes, and D. Quintana, “Convolution on neural networks for high-frequency trend prediction of cryptocurrency exchange rates using technical indicators,” Expert Systems with Applications, vol. 149, p. 113250, 2020.
[12] W. Huang, K. K. Lai, Y. Nakamori, S. Wang, and L. Yu, “Neural networks in finance and economics forecasting,” International Journal of Information Technology & Decision Making, vol. 06, no. 01, pp. ИЗ- 140, 2007.
[13] C. J. Neely, D. E. Rapach, J. Tu, and G. Zhou, “Forecasting the Equity Risk Premium: The Role of Technical Indicators,” Management Science, vol. 60, pp. 1772-1791, July 2014.
[14] M. Hansson, “On stock return prediction with lstm networks,” 2017. Student Paper.
[15] D. C. Yildirim, I. H. Toroslu, and U. Fiore, “Forecasting directional movement of forex data using lstm with technical and macroeconomic indicators,” Financial Innovation, vol. 7, p. 1, Jan 2021.
[16] Y. Chen and Y. Hao, “Integrating principle component analysis and weighted support vector machine for stock trading signals prediction,” Neurocomputing, vol. 321, pp. 381-402, 2018.
[17] W. Wang, W. Li, N. Zhang, and K. Liu, “Portfolio formation with preselection using deep learning from long-term financial data,” Expert Systems with Applications, vol. 143, p. 113042, 2020.
[18] M. Nabipour, P. Nayyeri, H. Jabani, S. S., and A. Mosavi, “Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data; a comparative analysis,” IEEE Access, vol. 8, pp. 150199-150212, 2020.
[19] Z. Hu, Y. Zhao, and M. Khushi, “A survey of forex and stock price prediction using deep learning,” Applied System Innovation, vol. 4, p. 9, Feb 2021.
[20] “https://technical-analysis-library-in-python.readthedocs.io/en/latest/.”
[21] T. Segal, “Fundamental analysis https://www.investopedia.com/terms/f/fund Apr 2021.
[22] Y. Song, J. W. Lee, and J. Lee, “A study on novel filtering and relationship between input-features and target-vectors in a deep learning model for stock price prediction,” Applied Intelligence, vol. 49, pp. 897-911, Mar 2019.
[23] “https://coinmetrics.io/,” Feb 2021.
[24] D. Baur, K. Hong, and A. Lee, “Bitcoin: Medium of exchange or speculative assets?,” Journal of International Financial Markets, Institutions and Money, vol. 54, 12 2017.
[25] M. Gardner and S. Dorling, “Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences,” Atmospheric Environment, vol. 32, no. 14, pp. 2627-2636, 1998.
[26] C. Olah, “Understanding lstm networks,” 2015.
[27] S. Hochreiter, “The vanishing gradient problem during learning recurrent neural nets and problem solutions,” International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, vol. 6, pp. 107¬116, 04 1998.
[28] P. T. Yamak, L. Yujian, and P. K. Gadosey, “A comparison between arima, lstm, and gru for time series forecasting,” in Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence, ACAI 2019, (New York, NY, USA), p. 49-55, Association for Computing Machinery, 2019.
[29] I. Rodriguez-Lujan, R. Huerta, C. Elkan, and C. S. Cruz, “Quadratic programming feature selection,” J. Mach. Learn. Res., vol. 11, p. 1491¬1516, Aug. 2010.
[30] S. Lundberg and S. Lee, “A unified approach to interpreting model predictions,” CoRR, vol. abs/1705.07874, 2017.
[31] X. Xiaomao, Z. Xudong, and W. Yuanfang, “A comparison of feature selection methodology for solving classification problems in finance,” Journal of Physics: Conference Series, vol. 1284, p. 012026, aug 2019.
[32] “Shap python library, https://github.com/slundberg/shap.”
[33] V. Cerqueira, L. Torgo, and I. Mozetic, “Evaluating time series forecasting models: an empirical study on performance estimation methods,” Machine Learning, vol. 109, pp. 1997-2028, Nov 2020.
[34] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. S. Corrado, A. Davis, J. Dean, M. Devin, S. Ghemawat, I. Goodfellow, A. Harp, G. Irving, M. Isard, Y. Jia, R. Jozefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Mane, R. Monga, S. Moore, D. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K. Talwar, P. Tucker, V. Vanhoucke, V. Vasudevan, F. Viegas, O. Vinyals, P. Warden, M. Wattenberg, M. Wicke, Y. Yu, and X. Zheng, “TensorFlow: Large-scale machine learning on heterogeneous systems,” 2015. Software available from tensorflow.org.
[35] D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” 2017.
[36] K. Chen, Y. Zhou, and F. Dai, “A lstm-based method for stock returns prediction: A case study of china stock market,” in 2015 IEEE International Conference on Big Data (Big Data), pp. 2823-2824, 2015.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ