A carregar...
Publicação
Bitcoin time series forecasting with exogenous factors : deep learning approach
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.64 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Ao longo dos últimos anos, a tecnologia subjacente a ativos digitais tem sido alvo de grandes desenvolvimentos, o que resultou no aumento da sua presença em transações financeiras mundiais, proporcionando um valor crescente para a sociedade, servindo como meio de troca e como uma classe de ativos de investimento.
A modelação dos preços de ativos digitais é uma tarefa relevante para os investidores institucionais e de retalho, contribuindo para uma informada tomada de decisão numa classe de ativos altamente volátil. Apesar da relevância em prever as fortes flutuações observadas nesta classe de ativos, esta tarefa é extremamente complexa e depende de múltiplos fatores exógenos, tais como a rede blockchain, tendências de mercados financeiros e dados macroeconómicos.
Como simples métodos estatísticos não são capazes de capturar a complexidade das dependências temporais, investigadores a recorrem a algoritmos avançados de aprendizagem de máquina e aprendizagem profunda para resolver este problema séries temporais não estacionárias.
Este trabalho resulta de um estágio realizado na Klever em parceria com o ISEG no âmbito do Mestrado em Métodos Quantitativos para a Decisão Económica e Empresarial. Apresentamos uma metodologia para a construção de modelos de aprendizagem profunda sequence-to-vector para a previsão do preço, do retorno e do estado direcional do Bitcoin. Recorrendo a um completo sistema de engenharia de atributos, esta investigação alcança uma precisão de até 90,9% para o estado direcional, um MAPE de até 1.74% para a previsão do preço e 0.11 de MAE para a previsão do retorno, alcançando melhores resultados que o modelo de referência respetivo a cada problema.
Over the last years, major developments have been made in cryptocurrency technology, resulting in their increased presence in worldwide financial transactions, providing increasing value for society by serving as a means of exchange and investment asset class. Modeling cryptocurrency prices is relevant for institutional and retail investors, contributing to informed decision-making in a highly volatile asset class. Despite the importance of forecasting the steep fluctuations observed in this asset class, this task is extremely complex and relies on multiple exogenous factors such as the blockchain network, market trends, and macroeconomic data. As simple statistical methods are unable to capture the complexity of temporal dependencies, researchers are turning to advanced machine learning and deep learning algorithms to tackle this non-stationary time series problem. This work is the result from an internship carried out at Klever in collaboration with ISEG within the scope of the Master of Quantitative Methods for Economic and Business Decision. We present a methodology for building sequence-to-vector deep learning models to predict the price, return, and directional state of Bitcoin. Leveraging a comprehensive feature engineering system, this research achieves an accuracy up to 90.9%, a MAPE up to 1.74% for price prediction, and up to 0.11 MAE for return prediction, surpassing each task’s respective baseline model.
Over the last years, major developments have been made in cryptocurrency technology, resulting in their increased presence in worldwide financial transactions, providing increasing value for society by serving as a means of exchange and investment asset class. Modeling cryptocurrency prices is relevant for institutional and retail investors, contributing to informed decision-making in a highly volatile asset class. Despite the importance of forecasting the steep fluctuations observed in this asset class, this task is extremely complex and relies on multiple exogenous factors such as the blockchain network, market trends, and macroeconomic data. As simple statistical methods are unable to capture the complexity of temporal dependencies, researchers are turning to advanced machine learning and deep learning algorithms to tackle this non-stationary time series problem. This work is the result from an internship carried out at Klever in collaboration with ISEG within the scope of the Master of Quantitative Methods for Economic and Business Decision. We present a methodology for building sequence-to-vector deep learning models to predict the price, return, and directional state of Bitcoin. Leveraging a comprehensive feature engineering system, this research achieves an accuracy up to 90.9%, a MAPE up to 1.74% for price prediction, and up to 0.11 MAE for return prediction, surpassing each task’s respective baseline model.
Descrição
Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial
Palavras-chave
aprendizagem profunda séries temporais bitcoin fatores exógenos engenharia de atributos deep learning time series bitcoin exogenous factors feature engineering
Contexto Educativo
Citação
Catarino, André Almeida (2023). “Bitcoin time series forecasting with exogenous factors : deep learning approach”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão