Прогнозування курсу криптовалют на основі фундаментального аналізу

Автор:

Анотація: Запропоновано схему, що дає змогу прогнозувати курс криптовалют з точністю 20-50% в залежності від періоду прогнозу, а також прогнозувати тренд курсу з точністю до 100%. Зосереджено увагу на використанні фундаментального аналізу до вирішення задачі прогнозу курсу криптовалют, базуючись на активності користувачів Twitter.

Бібліографічний опис статті:

. Прогнозування курсу криптовалют на основі фундаментального аналізу//Наука онлайн: Міжнародний електронний науковий журнал - 2018. - №5. - https://nauka-online.com/publications/technical-sciences/2018/5/prognozirovanie-kursa-kriptovalyut-na-osnove-fundamentalnogo-analiza/

Стаття опублікована у: : Наука Онлайн No5 май 2018

Технічні науки

УДК 004.891.2

Деундяк Олександр Володимирович

студент

Національного технічного університету України

«Київський політехнічний інститут імені Ігоря Сікорського»

Деундяк Александр Владимирович

студент

Национального технического университета Украины

«Киевский политехнический институт имени Игоря Сикорского»

Deundiak Oleksandr

Student of the

National Technical University of Ukraine

“Igor Sikorsky Kyiv Polytechnic Institute”

ПРОГНОЗУВАННЯ КУРСУ КРИПТОВАЛЮТ НА ОСНОВІ ФУНДАМЕНТАЛЬНОГО АНАЛІЗУ

ПРОГНОЗИРОВАНИЕ КУРСА КРИПТОВАЛЮТ НА ОСНОВЕ ФУНДАМЕНТАЛЬНОГО АНАЛИЗА

CRYPTOCURRENCY FORECAST BASED ON FUNDAMENTAL ANALYSIS

Анотація. Запропоновано схему, що дає змогу прогнозувати курс криптовалют з точністю 20-50% в залежності від періоду прогнозу, а також прогнозувати тренд курсу з точністю до 100%. Зосереджено увагу на використанні фундаментального аналізу до вирішення задачі прогнозу курсу криптовалют, базуючись на активності користувачів Twitter.

Ключові слова: прогноз курсу криптовалют, нейронні мережі, машинне навчання, фундаментальний аналіз, регресія.

Аннотация. Предложена схема, позволяющая прогнозировать курс криптовалют с точностью 20-50% в зависимости от периода прогноза, а также прогнозировать тренд курса с точностью до 100%. Сосредоточено внимание на использовании фундаментального анализа при решении задачи прогноза курса криптовалют, основываясь на активности пользователей Twitter.

Ключевые слова: прогноз курса криптовалют, нейронные сети, машинное обучение, фундаментальный анализ, регрессия.

 Summary. A scheme has been imposed, which allows forecasting cryptocurrency rate with accuracy of 20-50% and predicting trend with accuracy up to 00%. It is focused on fundamental analysis, based on the activity of Twitter users.

Key words: cryptocurrency forecast, neural networks, machine learning, fundamental analysis, regression.

Криптовалюта – технологія, що дозволяє обмін ресурсами в електронній формі. Ідея цієї технології полягає у тому, що вона виключає участь регулюючої сторони, що підтримувала би інфраструктуру (наприклад, банк) при цьому дозволяє безпечно обмінюватись ресурсами між незнайомими людьми, що не довіряють один одному. Bitcoin – перша, найбільш популярна і дорога криптовалюта.

Оскільки курс криптовалют залежить виключно від попиту людей, то одним зі способів прогнозування курсу є кількісна оцінка цього попиту та подальший аналіз впливу попиту на ціну криптовалюти. Висновки про попит і популярність тієї чи іншої криптовалюти можна зробити використовуючи дані про те, як часто дана тема обговорюється у інтернеті, наприклад, один з таких показників – кількість постів зі згадуванням відповідної криптовалюти у соціальній мережі Twitter.

З переваг цього показнику можна виділити наступні:

  • є кількісним;
  • технічно доступний для отримання чи обчислення;
  • просто використовувати у математичних моделях.

Серед недоліків можна виділити наступні:

  • доступ платний;
  • доступ обмежений по сумарній кількості отриманої інформації та швидкості отримання (кількість запитів у хвилину).

Розв’язувана задача зводиться до наступної формальної математичної моделі:

Для оцінки моделі пропонується 3 критерії:

  • MSE – середньоквадратична похибка;
  • R^2 – коефіцієнт детермінації;
  • SR – Success rate, процент вгаданих трендів.

Третій критерій відповідає відношенню успішно вгаданих стрибків курсу до усіх стрибків курсу. Нехай T (Tries) – кількість днів, для яких алгоритм прогнозував зміну курсу більш ніж в eps разів, а ST (Successful tries)– та кількість днів із них, для яких реальний тренд курсу співпав з прогнозованим. Тоді:

Даний критерій набуває значень від 0% до 100%. Чим більше – тим краще.

Також модель можна оцінити якісно за наданими графіками похибки та графіками з одночасним відображенням прогнозованих значень та реальних.

Алгоритм прогнозування отримує на вхід наступні дані:

  • по-добову статистику: дата d, курс біткоіна R, кількість постів у Twitter зі словом bitcoin T;
  • період на який потрібно спрогнозувати курс – d_f
  • період навчання мережі без прогнозування (використовується значення 60 днів);
  • кількість днів за які статистика по курсу/кількості постів буде подаватись на входи нейронної мережі d_fr та d_ft.

Вхідні дані нормалізуються, форматуються та подаються у правильному порядку та кількості у регресор. Регресор навчається та прогнозує значення у режимі емуляції реального часу, тобто по такій схемі:

Додаються дані за день d_i, проводиться навчання регресора.

Обчислюється прогноз за день d_i+d_f.

Виконується п.1 для d_i=d_i+1.

Пункт 2 пропускається перших 60 днів для початкового навчання регресора.

На виході система надає графік з одночасним відображенням прогнозу курсу біткоіна та реальними значеннями, також ПП обчислює значення критеріїв оцінки результату.

Під час вибору алгоритму машинного навчання була вибрана нейронна мережа з наступних причин:

  • нейронні мережі добре підходять для пошуку нелінійних залежностей;
  • структуру нейронної мережі можна легко змінювати від простої одношарової з невеликою кількістю нейронів, до складних топологій з великої кількістю прихованих шарів та великою кількістю нейронів;
  • перцептрон без прихованих шарів з лінійною функцією активацію є лінійною моделлю, тобто навіть лінійна залежність у даних може бути добре змодельована за допомогою нейронної мережі;
  • виходячи з результатів досліджень та змагань, нейронні мережі дають точніші результати ніж інші моделі у більшості випадків;
  • у ході аналізу робити системи були виявлені залежності у даних, що не є лінійними і погано апроксимуються лінійною моделлю
  • наявність великої кількості ефективних і легких у використанні безкоштовних бібліотек по роботі з нейронними мережами.

Для реалізації системи було використано багатошаровий перцептрон з топологією (100, 200, 500, 200, 100) реалізований на мові python з використанням бібліотеки numpy.

Результати роботи прогнозу курсу на 7 днів показані у таблиці 1, та на рисунку 1. . На рисунку осі ординат відповідає курс біткоіна в доларах США, осі абсцис – дати від 30 травня 2013 (0.0) до 30 грудня 2017 (1.0), червоним зображено реальний курс біткоіна, синім – курс, що прогнозує система

Таблиця 1

Результати прогнозу на 7 днів

Вхідні параметри Вихідні дані
ɛ T SR MSE R^2
7 0.25 14 79% 281897 0.95

Рис. 1. Результати прогнозу на 7 днів

Література

  1. Adhikari R. An Introductory Study on Time Series Modeling and Forecasting / Adhikari R. – Riga: LAP Lambert Academic Publishing, 2013. – 76 p.
  2. Casey M.J. The Age of Cryptocurrency: How Bitcoin and the Blockchain Are Challenging the Global Economic Order / M.J. Casey – London: St. Martin’s Press, 2015. – 368 p.
  3. Deng L. Deep learning: Methods and applications / Deng L. and Yu D. // Foundations and Trends in Signal Processing, 7(3–4) – 2014. – pp. 197–387.
  4. Ian Goodfellow. Deep Learning / Ian Goodfellow, Yoshua Bengio and Aaron Courville. – Boston: The MIT Press, 2016. – 800 p.
  5. Zhu Xiaojin. Supervised learning literature survey / Zhu Xiaojin. – Department of Computer Science and Engg, University of Wiskonsin-Maddison, 2005. – 1530 p.
  6. Antonopoulos A.M. Mastering Bitcoin: Unlocking Digital Crypto-Currencies / A.M. Antonopoulos – London: O’Reilly Media, 2017. – 416 p.

Перегляди: 3231

Коментарі закрито.

To comment on the article - you need to download the candidate degree and / or doctor of Science

Підготуйте

наукову статтю на актуальну тему, відповідно до роздлів журналу

Відправте

наукову статтю на e-mail: editor@inter-nauka.com

Читайте

Вашу статтю на сайті нашого журналу та отримайте сертифікат