Aplikace umělé inteligence při obchodování s kryptoměnami
Autor(ka) práce:
Urbanová, Michaela
Typ práce:
Diplomová práce
Vedoucí práce:
Fičura, Milan
Oponenti práce:
Vacek, Vladislav
Jazyk práce:
Česky
Abstrakt:
Tato práce se zabývá možností využití rekurentních neuronových sítí typu LSTM a GRU pro predikci denních logaritmických výnosů vybraných kryptoměn (BTC, ETH, LTC, BNB). Na základě denních dat typu OHLCV z období 2017–2024 jsou konstruovány tři sady vstupních proměnných: základní sada (transformované cenové a objemové proměnné a logaritmické výnosy), sada technických indikátorů a sada technických indikátorů spolu s makroekonomickými daty. Predikční modely LSTM a GRU jsou kalibrovány pro různé délky paměti (10, 20, 50 dní), počty neuronů a všechny tři sady a jejich výkonnost je hodnocena pomocí RMSE, MAE a directional accuracy. Výsledky ukazují, že denní výnosy kryptoměn jsou z hlediska jednorázové predikce obtížně předvídatelné: náhodná procházka (random walk) zůstává ve všech případech velmi silným benchmarkem a nejlepší neuronové sítě se k ní pouze těsně přibližují. Následně jsou na základě predikcí sestaveny jednoduché strategie typu Long/Short, které jsou porovnány s pasivní strategií Buy&hold. U všech čtyř kryptoměn se daří nalézt konfigurace, jejichž strategie v testovacím období dosahují vyššího annualizovaného výnosu a Sharpe ratio než Buy&hold, zejména u volatilnějších altcoinů. Tato nadvýkonnost je však podmíněna ex post výběrem „nejlepších“ modelů a zanedbáním transakčních nákladů, a proto je nutné ji interpretovat opatrně jako ilustraci potenciálu i limitů hlubokých neuronových sítí při krátkodobé predikci kryptoměn.
Klíčová slova:
LSTM; GRU; predikce výnosů; kryptoměny; neuronové sítě; obchodní strategie
Název práce:
Application of artificial intelligence in cryptocurrency trading
Autor(ka) práce:
Urbanová, Michaela
Typ práce:
Diploma thesis
Vedoucí práce:
Fičura, Milan
Oponenti práce:
Vacek, Vladislav
Jazyk práce:
Česky
Abstrakt:
This work deals with the possibility of using recurrent neural networks of the LSTM and GRU type for predicting daily logarithmic returns of selected cryptocurrencies (BTC, ETH, LTC, BNB). Based on daily OHLCV data from the period 2017–2024, three sets of input variables are constructed: a basic set (transformed price and volume variables and logarithmic returns), a set of technical indicators, and a set of technical indicators together with macroeconomic data. The LSTM and GRU prediction models are calibrated for different memory lengths (10, 20, 50 days), numbers of neurons, and all three sets, and their performance is evaluated using RMSE, MAE, and directional accuracy. The results show that daily returns of cryptocurrencies are difficult to predict from the point of view of a one-time prediction: random walk remains a very strong benchmark in all cases, and the best neural networks only come close to it. Subsequently, simple Long/Short strategies are constructed based on the predictions and compared with the passive Buy&hold strategy. For all four cryptocurrencies, configurations are found whose strategies achieve higher annualized returns and Sharpe ratios than Buy&hold in the test period, especially for more volatile altcoins. However, this outperformance is conditioned by ex post selection of the “best” models and neglect of transaction costs, and therefore it must be interpreted with caution as an illustration of the potential and limits of deep neural networks in short-term prediction of cryptocurrencies.