Prediction of Price Movements in Alternative Cryptocurrencies Using Machine Learning and Deep Learning Methods

Thesis title: Predikcia cenového vývoja alternatívnych kryptomien pomocou metód strojového a hlbokého učenia
Author: Mladší, Libor
Thesis type: Diploma thesis
Supervisor: Chrobok, Viktor
Opponents: Černý, Michal
Thesis language: Slovensky
Abstract:
Táto práca predstavuje reprodukovateľný experimentálny rámec pre krátkodobú klasifikáciu cenového vývoja vybraných alternatívnych kryptomien na základe historických OHLCV dát. Predikčný problém je formulovaný ako trojtriedna klasifikácia budúceho pohybu do tried dump, pump a neutral. Navrhnutý postup zahŕňa jednotnú prípravu dát, tvorbu technických a trhových features, walk-forward validáciu a porovnanie modelov za rovnakých experimentálnych podmienok. V práci sú porovnané dva odlišné prístupy: XGBoost ako zástupca feature-based strojového učenia a CNN-LSTM ako zástupca hlbokého učenia pracujúci so sekvenčnou reprezentáciou vstupných dát. Oba modely sú hodnotené voči random baseline modelu, ktorý slúži ako referenčná úroveň výkonnosti bez učenia vzťahu medzi vstupnými premennými a targetom. Výkonnosť je posudzovaná pomocou weighted AUC, log loss, accuracy, triednych metrík, high-confidence metrík, jednoduchého backtestingu a štatistického testovania rozdielov medzi modelmi. Výsledky naznačujú, že učené modely dokážu z historických OHLCV dát zachytiť slabý predikčný signál, pričom XGBoost dosiahol lepšie výsledky než CNN-LSTM. Tento signál však nebol dostatočne silný na jednoznačné potvrdenie ekonomicky robustnej obchodnej využiteľnosti.
Keywords: XGBoost; kryptomeny; predikcia; strojové učenie; hlboké učenie; CNN-LSTM; klasifikácia časových radov
Thesis title: Predikcia cenového vývoja alternatívnych kryptomien pomocou metód strojového a hlbokého učenia
Author: Mladší, Libor
Thesis type: Diplomová práce
Supervisor: Chrobok, Viktor
Opponents: Černý, Michal
Thesis language: Slovensky
Abstract:
Táto práce představuje reprodukovatelný experimentální rámec pro krátkodobou klasifikaci cenového vývoje vybraných alternativních kryptoměn na základě historických OHLCV dat. Predikční problém je formulován jako třítriední klasifikace budoucího pohybu do tříd dump, pump a neutral. Navržený postup zahrnuje jednotnou přípravu dat, tvorbu technických a tržních features, walk-forward validaci a porovnání modelů za stejných experimentálních podmínek. V práci jsou porovnány dva odlišné přístupy: XGBoost jako zástupce feature-based strojového učení a CNN-LSTM jako zástupce hlubokého učení pracující se sekvenční reprezentací vstupních dat. Oba modely jsou hodnoceny vůči random baseline modelu, který slouží jako referenční úroveň výkonnosti bez učení vztahu mezi vstupními proměnnými a targetem. Výkonnost je posuzována pomocí weighted AUC, log loss, accuracy, třídních metrik, high-confidence metrik, jednoduchého backtestingu a statistického testování rozdílů mezi modely. Výsledky naznačují, že učené modely dokážou z historických OHLCV dat zachytit slabý predikční signál, přičemž XGBoost dosáhl lepších výsledků než CNN-LSTM. Tento signál však nebyl dostatečně silný pro jednoznačné potvrzení ekonomicky robustní obchodní využitelnosti.
Keywords: kryptoměny; CNN-LSTM; klasifikace časových řad; predikce; strojové učení; hluboké učení; XGBoost
Thesis title: Prediction of Price Movements in Alternative Cryptocurrencies Using Machine Learning and Deep Learning Methods
Author: Mladší, Libor
Thesis type: Diploma thesis
Supervisor: Chrobok, Viktor
Opponents: Černý, Michal
Thesis language: Slovensky
Abstract:
This thesis presents a reproducible experimental framework for short-term classification of price movements in selected alternative cryptocurrencies based on historical OHLCV data. The prediction problem is formulated as a three-class classification of future price movement into dump, pump and neutral classes. The proposed approach includes a unified data preparation pipeline, construction of technical and market-based features, walk-forward validation, and model comparison under identical experimental conditions. Two fundamentally different modeling approaches are evaluated: XGBoost as a representative of feature-based machine learning methods, and a CNN-LSTM architecture as a representative of deep learning methods operating on sequential data. Both models are benchmarked against a random baseline model, which serves as a reference level of performance without learning relationships between input variables and the target. Model performance is evaluated using weighted AUC, log loss, accuracy, class-level metrics, high-confidence metrics, a simple backtesting framework, and statistical hypothesis testing of performance differences. The results suggest that learned models are able to extract a weak predictive signal from historical OHLCV data, with XGBoost outperforming the CNN-LSTM model. However, the signal is not sufficiently strong to provide clear evidence of economically robust trading applicability.
Keywords: cryptocurrencies; prediction; machine learning; XGBoost; deep learning; CNN-LSTM; time series classification

Information about study

Study programme: Aplikovaná datová analytika a umělá inteligence/Datová analytika v marketingu a e-commerce
Type of study programme: Magisterský studijní program
Assigned degree: Ing.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Informatics and Statistics
Department: Department of Econometrics

Information on submission and defense

Date of assignment: 12. 3. 2026
Date of submission: 4. 5. 2026
Date of defense: 12. 6. 2026
Identifier in the InSIS system: https://insis.vse.cz/zp/96058/podrobnosti

Files for download

    Last update: