Thesis title: |
Využití stromových metod pro predikci kurzu kryptoměn |
Author: |
Khasanova, Gulnaz |
Thesis type: |
Diplomová práce |
Supervisor: |
Witzany, Jiří |
Opponents: |
Vacek, Vladislav |
Thesis language: |
Česky |
Abstract: |
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. |
Keywords: |
Stromové metody; Strojové učení; ARIMA; Teorie efektivních trhů; Náhodný les; Rozhodovací strom |
Thesis title: |
Utilization of tree-based methods for cryptocurrency price prediction |
Author: |
Khasanova, Gulnaz |
Thesis type: |
Diploma thesis |
Supervisor: |
Witzany, Jiří |
Opponents: |
Vacek, Vladislav |
Thesis language: |
Česky |
Abstract: |
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. |
Keywords: |
Machine Learning; Tree-based Methods; Bitcoin; Efficient Market Hypothesis; AdaBoost; XGBoost |
Information about study
Study programme: |
Finanční inženýrství |
Type of study programme: |
Magisterský studijní program |
Assigned degree: |
Ing. |
Institutions assigning academic degree: |
Vysoká škola ekonomická v Praze |
Faculty: |
Faculty of Finance and Accounting |
Department: |
Department of Banking and Insurance |
Information on submission and defense
Date of assignment: |
13. 10. 2023 |
Date of submission: |
14. 8. 2024 |
Date of defense: |
2024 |
Files for download
The files will be available after the defense of the thesis.