dc.contributor.author | Arguelles, Dennys Christian Mallqui | |
dc.date.accessioned | 2018-10-19T22:01:38Z | |
dc.date.available | 2018-10-19T22:01:38Z | |
dc.date.issued | 2018-09-19 | |
dc.identifier.citation | ARGUELLES, Dennys Christian Mallqui. Predicting the direction, maximum, minimum and closing price of daily/Intra-daily bitcoin exchange rate using batch and online machine learning techniques. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/10589. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/10589 | |
dc.description.abstract | Bitcoin is the most accepted cryptocurrency in the world, which makes it attractive for investors and traders. However, the great challenge in predicting the Bitcoin exchange rate is its high volatility. Therefore, the prediction of its behavior is of great importance for financial markets. In this way, in recent years, Few studies were proposed based on the use of machine learning techniques to predict the direction of their exchange rate, albeit with low precision. Therefore, as a first contribution of this paper, it can be highlighted the analysis and identification of internal and external variables/attributes considered as relevant for predicting the Bitcoin exchange rate in daily and intra-daily time frequencies. The increased use of machine learning techniques to predict time series and the acceptance of cryptocurrencies as financial instruments motivated the present study to seek more accurate predictions for the Bitcoin exchange rate. For this purpose, it was used different techniques of attribute selection to candidate variables. In relation of internal variables is proposed to use Blockchain information and generate technical indicators commonly used by traders. About external variables is proposed to use international economic indices and social trends extracted from Google and Wikipedia. As a second contribution, a methodology is proposed to predict the direction of the Bitcoin exchange rate against the dollar. In addition, it was explored the possibility of directly predict the maximum, minimum and closing prices, including these information to predict the trend. For this, Artificial Neural Networks, Recurrent Neural Networks, Support Vector Machines and Ensemble models (combining regression and clusterization) were used. As a third contribution for intra-daily time frequency, the data-stream learning methods are explored under the hypothesis that Bitcoin price presents a non-stationary behavior. Thus, it is observed that in long
term, Bitcoin behaves more like a traditional instrument and, therefore, is increasingly affected by the international context and economic fundamentals. Likewise, the results showed that the selected attributes and the best machine learning model achieved an improvement of more than 10% in accuracy, for the price direction predictions with respect to the state-of-the-art papers, using the same period of information. In relation to the maximum, minimum and closing Bitcoin prices regressions, it was possible to obtain Mean Absolute Percentage Errors between 1% and 2%. Finally, in the prediction of intra-daily price movement, through the use of data-stream learning techniques, is obtained a result that improves more than 6% in accuracy to other previous studies. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | eng | eng |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Taxa de câmbio de Bitcoin | por |
dc.subject | Previsão de séries temporais | por |
dc.subject | Previsão de preços de ações | por |
dc.subject | Métodos de seleção de atributos | por |
dc.subject | Tendências sociais | por |
dc.subject | Indicadores técnicos | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Aprendizado em fluxo de dados | por |
dc.subject | Bitcoin | eng |
dc.subject | Prediction | eng |
dc.subject | Direction | eng |
dc.subject | OHLC price | eng |
dc.subject | Regression | eng |
dc.subject | Attribute selection | eng |
dc.subject | Social trends | eng |
dc.subject | Technical indicators | eng |
dc.subject | Data-stream learning | eng |
dc.subject | Machine learning | eng |
dc.title | Predicting the direction, maximum, minimum and closing price of daily/Intra-daily bitcoin exchange rate using batch and online machine learning techniques | eng |
dc.title.alternative | Prevendo a direção, o preço máximo, mínimo e de fecho da taxa de câmbio diária / intra-diária do bitcoin usando técnicas de aprendizado em lote e de máquina on-line | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Fernandes, Ricardo Augusto Souza | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0880243208789454 | por |
dc.description.resumo | Bitcoin é a criptomoeda mais aceita no mundo, o que a torna atraente para investidores e comerciantes. No entanto, o grande desafio em prever a taxa de câmbio do Bitcoin é sua alta volatilidade. Portanto, a previsão de seu comportamento é de grande importância para os mercados financeiros. Desta forma, nos últimos anos, alguns estudos foram propostos com base no uso de técnicas de aprendizado de máquina para prever a direção de sua taxa de câmbio, embora com baixa precisão. Portanto, como primeira contribuição deste trabalho, pode-se destacar a análise e identificação de variáveis/atributos internos e externos considerados relevantes para a previsão da taxa de câmbio do Bitcoin em frequências diárias e intra-diárias. O aumento do uso de técnicas de aprendizado de máquina para prever séries temporais e a aceitação de criptomoedas como instrumentos financeiros motivaram o presente estudo a buscar previsões mais precisas para a taxa de câmbio do Bitcoin. Portanto,
foram utilizadas diferentes técnicas de seleção de atributos para variáveis candidatas. Em relação às variáveis internas, propõe-se usar informação de Blockchain e gerar indicadores técnicos comumente utilizados pelos traders. Sobre variáveis externas é proposto o uso de índices econômicos internacionais e tendências sociais extraídos do Google e da Wikipedia. Como segunda contribuição, uma metodologia é proposta para prever a direção da taxa de câmbio do Bitcoin em relação ao dólar. Além disso, explorou-se a possibilidade de prever diretamente os preços máximo, mínimo e de fechamento, incluindo essas informações para predizer a tendência. Para isso, foram utilizadas redes neurais artificiais, redes neurais recorrentes, máquinas
de vetores de suporte e modelos Ensemble (combinando regressão e clusterização). Como uma terceira contribuição, para frequência de tempo intra-diário, os métodos de aprendizado por fluxo de dados são explorados sob a hipótese de que o
preço do Bitcoin apresenta um comportamento não-estacionário. Assim, observa-se que, no longo prazo, o Bitcoin se comporta mais como um instrumento tradicional e, portanto, é cada vez mais afetado pelo contexto internacional e fundamentos
econômicos. Assim, os resultados obtidos mostraram que as variáveis/atributos selecionados e o melhor modelo de aprendizado de máquina obtêm uma melhoria de mais de 10% na precisão em relação aos últimos trabalhos da literatura correlata,
usando o mesmo período de informação. Em relação à predição direta dos valores da taxa de câmbio do Bitcoin, foi possível obter Erros Absolutos Percentuais Médios entre 1% e 2%. Finalmente, na previsão do movimento de preços intra-diários, por
meio do uso de técnicas de aprendizado de fluxo de dados, obteve-se uma melhora em mais de 6% de precisão em relação a estudos prévios. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/6617444730810557 | por |