Μοντελοποίηση και βραχυπρόθεσμη πρόβλεψη των τιμών χρονοσειράς κρυπτονομισμάτων, χρησιμοποιώντας τεχνικές μηχανικής μάθησης

Abstract

Λόγω της αυξανόμενης δημοτικότητάς τους και της εμπορικής αποδοχής τους, τα κρυπτονομίσματα διαδραματίζουν ολοένα και πιο ουσιαστικό ρόλο στην αλλαγή του χρηματοπιστωτικού συστήματος. Ενώ πολλοί άνθρωποι επενδύουν σε κρυπτονομίσματα, τα δυναμικά χαρακτηριστικά και η προβλεψιμότητα τους εξακολουθούν να είναι σε μεγάλο βαθμό άγνωστα, θέτοντας σε κίνδυνο τις επενδύσεις. H μηχανική μάθηση καλείται να αντιμετωπίσει το πρόβλημα πρόβλεψης αυτών των νομισμάτων. Πολλές έρευνες προσπαθούν να εντοπίσουν το καλύτερο μοντέλο για την πρόβλεψη της τιμής του Bitcoin, ως το ισχυρότερο, αφήνοντας ένα σημαντικό ερευνητικό κενό στην πρόβλεψη και των υπολοίπων κρυπτονομισμάτων. Μία ολοκληρωμένη έρευνα θα εντοπίσει το καλύτερο δυνατό μοντέλο εφαρμογής στην χρονοσειρά τιμών και θα εξάγει σημαντικά συμπεράσματα στον τομέα των προβλέψεων. Σε αυτή την εργασία, επιχειρούμε να προβλέψουμε την τιμή τεσσάρων κρυπτονομισμάτων (Bitcoin, Ethereum, Ripple και Tether) λαμβάνοντας υπόψη ποικιλία παραγόντων που επηρεάζουν την αξία τους με την υψηλότερη δυνατή ακρίβεια. Σαν μέθοδοι πρόβλεψης επιλέχθηκαν τρία διαφορετικής λογικής μοντέλα. Με την βοήθεια της Pyhton και των βιβλιοθηκών της εφαρμόστηκαν στα δεδομένα των χρονοσειρών το παραδοσιακό μοντέλο αυτοπαλίνδρομου ολοκληρωμένου κινούμενου μέσου όρου (ARIMA), το επαναλαμβανόμενο νευρωνικό δίκτυο βραχυπρόθεσμης και μακροπρόθεσμης μνήμης (LSTM) και το μοντέλο δομής δένδρου αποφάσεων τυχαίου δάσους (Random Forest). Οι προβλέψεις δοκιμάστηκαν στα πραγματικά δεδομένα της χρονοσειράς και εφαρμόστηκε ο δείκτης ρίζας του μέσου τετραγωνικού σφάλματος (RMSE) για την αξιολόγηση και σύγκριση των μοντέλων. «Μπορεί το όνειρο των ερευνητών και επενδυτών για πρόβλεψη της τιμής των κρυπτονομισμάτων να γίνει ένα ρεαλιστικό σενάριο;». Ενώ η παραδοσιακή μέθοδος Arima και η μέθοδος δένδρων απόφασης Random Forest δεν παρείχαν ικανοποιητικές προβλέψεις, το μοντέλο LSTM εμφάνισε ελπιδοφόρα αποτελέσματα. Το μοντέλο LSTM μπορεί να διατηρήσει προηγούμενες πληροφορίες, οι οποίες μπορούν να βοηθήσουν σημαντικά στη βελτίωση της ικανότητας του μοντέλου να μαθαίνει ακολουθίες σημάτων και εγγενή μη γραμμικά μοτίβα.