Πρόβλεψη τιμής Ether με χρήση τεχνικών μηχανικής μάθησης

Abstract

Η ραγδαία ανάπτυξη των κρυπτονομισμάτων τα τελευταία χρόνια τα έχει καταστήσει ως ένα από τα πλέον σημαντικά επενδυτικά κεφάλαια που ανταλλάσσονται καθημερινά. Ωστόσο οι συνεχείς και αστάθμητες διακυμάνσεις στην τιμή τους καθιστούν τη διαδικασία πρόβλεψης της αξίας τους ένα ιδιαίτερα απαιτητικό πρόβλημα που εξαρτάται από πολλούς παράγοντες και η επίλυση του οποίου έχει τη δυνατότητα να παρέχει σημαντικά περιθώρια οικονομικού κέρδους. Στην παρούσα εργασία εξετάζουμε τους παράγοντες που μπορούν να επηρεάσουν την τιμή του Ether χρησιμοποιώντας ένα σύνολο τεχνικών επιλογής χαρακτηριστικών και λαμβάνοντας υπόψιν ένα ευρύ φάσμα χαρακτηριστικών που σχετίζονται με την αγορά και το χρηματιστήριο, την δημοφιλία του Ether, τεχνικούς δείκτες της τιμής του και παραμέτρους του Ethereum blockchain. Παράλληλα αναπτύσσουμε ένα σύνολο μοντέλων μηχανικής μάθησης: LSTM, GRU, XGBoost και Ensemble που αποτελεί των συνδυασμό των τριών αυτών μοντέλων με στόχο την πρόβλεψη της τιμής του Ether σε χρονικό παράθυρο μίας και εφτά ημερών. Οι προβλέψεις της τιμής πραγματοποιούνται γύρω από δύο άξονες 1) πρόβλεψη της ακριβούς τιμής του Ether (πρόβλημα regression) και 2) πρόβλεψη αύξησης ή μείωσης της τιμής του (πρόβλημα classification). Τα μοντέλα GRU και XGBoost έχουν τις καλύτερες επιδόσεις στο regression πρόβλημα για χρονικό πλαίσιο μίας και εφτά ημερών αντίστοιχα ενώ το Ensemble μοντέλο αναδεικνύεται το καλύτερο στο classification και στις δύο περιπτώσεις σημειώνοντας προβλέψεις με ακρίβεια 82.46% και 77.19%. Οι προτεινόμενες μέθοδοι μπορούν να εφαρμοστούν σε ένα μεγάλο σύνολο κρυπτονομισμάτων και αναδεικνύουν τη δυνατότητα για προβλέψεις της τιμής τους με μεγάλη ακρίβεια.