Využití stromových metod pro predikci kurzu kryptoměn

Název práce: Využití stromových metod pro predikci kurzu kryptoměn
Autor(ka) práce: Khasanova, Gulnaz
Typ práce: Diplomová práce
Vedoucí práce: Witzany, Jiří
Oponenti práce: Vacek, Vladislav
Jazyk práce: Česky
Abstrakt:
Tato práce hodnotí modely založené na stromech z hlediska jejich výkonnosti při předpovídání pohybů cen Bitcoinu a zároveň zkoumá, zda se trh kryptoměn, reprezentovaný Bitcoinem, řídí zásadami stanovenými hypotézou efektivních trhů. Cílová proměnná indikuje, zda je třeba při obchodování otevřít long nebo short pozici a následující den je uzavřít. Nezávislými proměnnými používanými při tvorbě modelů jsou technické ukazatele, makroekonomické faktory a další proměnné. Základním modelem je model ARIMA, implementace je provedena v prostředí R. Modely založené na stromech jsou vytvořeny v jazyce Python s využitím knihovny scikitlearn. Ukázalo se, že všechny modely mají nízkou přesnost a nejsou schopny výrazně překonat náhodné předpovědi.
Klíčová slova: Stromové metody; Strojové učení; ARIMA; Teorie efektivních trhů; Náhodný les; Rozhodovací strom
Název práce: Utilization of tree-based methods for cryptocurrency price prediction
Autor(ka) práce: Khasanova, Gulnaz
Typ práce: Diploma thesis
Vedoucí práce: Witzany, Jiří
Oponenti práce: Vacek, Vladislav
Jazyk práce: Česky
Abstrakt:
This thesis evaluates tree-based models in terms of their performance in predicting Bitcoin price movements, and also examines whether the cryptocurrency market, represented by Bitcoin, follows the principles established by the efficient markets hypothesis. The target variable indicates whether a long or short position should be opened during trading and closed the following day. The independent variables used in the construction of the models are technical indicators, macroeconomic factors and other variables. The basic model is the ARIMA model, implemented in the R environment. Tree-based models are developed in Python using the scikitlearn library. All models are shown to have low accuracy and are unable to significantly outperform random predictions.
Klíčová slova: Machine Learning; Tree-based Methods; Bitcoin; Efficient Market Hypothesis; AdaBoost; XGBoost

Informace o studiu

Studijní program / obor: Finanční inženýrství
Typ studijního programu: Magisterský studijní program
Přidělovaná hodnost: Ing.
Instituce přidělující hodnost: Vysoká škola ekonomická v Praze
Fakulta: Fakulta financí a účetnictví
Katedra: Katedra bankovnictví a pojišťovnictví

Informace o odevzdání a obhajobě

Datum zadání práce: 13. 10. 2023
Datum podání práce: 14. 8. 2024
Datum obhajoby: 3. 9. 2024
Identifikátor v systému InSIS: https://insis.vse.cz/zp/85986/podrobnosti

Soubory ke stažení

    Poslední aktualizace: