sciencedirect.com
Predikce ceny Bitcoinu pomocí strojového učení: Přístup k inženýrství rozměru vzorku
Zheshi Chen, Chunhong Li, Wenjun Sun
Časopis pro výpočetní a aplikovanou matematiku 365, 112395, 2020
Po boomu a poklesu cen kryptoměn v posledních letech je Bitcoin stále častěji považován za investiční aktivum. Vzhledem k jeho vysoce volatilní povaze existuje potřeba dobrých predikcí, na kterých lze založit investiční rozhodnutí. I když existující studie využily strojové učení pro přesnější predikci ceny Bitcoinu, málo se zaměřilo na proveditelnost aplikace různých modelovacích technik na vzorky s různými datovými strukturami a dimenzionálními rysy. Pro predikci ceny Bitcoinu v různých frekvencích pomocí technik strojového učení nejprve klasifikujeme cenu Bitcoinu podle denní ceny a ceny s vysokou frekvencí. Sada vysoce dimenzionálních rysů včetně vlastností a sítě, obchodování a trhu, pozornosti a ceny zlata na spotovém trhu se používá pro predikci denní ceny Bitcoinu, zatímco základní obchodní rysy získané z burzy kryptoměn se používají pro predikci ceny v 5minutových intervalech. Statistické metody včetně logistické regrese a lineární diskriminační analýzy pro predikci denní ceny Bitcoinu s vysoce dimenzionálními rysy dosahují přesnosti 66 %, což překonává složitější algoritmy strojového učení. Ve srovnání s benchmarkovými výsledky pro predikci denní ceny dosahujeme lepšího výkonu, s nejvyššími přesnostmi statistických metod a algoritmů strojového učení 66 % a 65,3 %, respektive. Modely strojového učení včetně náhodného lesa, XGBoost, kvadratické diskriminační analýzy, podpůrné vektorové mašiny a dlouhé krátkodobé paměti pro predikci ceny Bitcoinu v 5minutových intervalech jsou lepší než statistické metody, s přesností dosahující 67,2 %. Naše vyšetřování predikce ceny Bitcoinu lze považovat za pilotní studii důležitosti rozměru vzorku v technikách strojového učení.