Prediktering av kryptovalutor med återkommande neuronnät

Abstract

Inom de senaste åren har det utvecklats en massa tillämpningar, ramverk och verktyg för att lösa olika problem inom djupinlärning. Nya tekniker i maskininlärning och speciellt algoritmer inom djupinlärning introducerar kontinuerligt nya tillvägagångssätt för att nå goda resultat. Oförväntade förändringar i trender kan plötsligt orsaka stora variationer i tidsserierna och volatiliteten på kryptovalutor gör dem svåra att förutspå. Därför är syftet med examensarbetet att utnyttja effektiviteten av återkommande neuronnät för att förstå hur noggrannt en LSTM modell kan predicera en tidsserie med kryptovaluta som data. Som data används en datamängd (Quandl 2020) på Bitcoin, således förklaras det också hur en kryptovaluta hanteras som data i prognostisering. Teorigenomgången är uppbyggd av tidigare empirisk forskning kring prediktering av kryptovalutor med återkommande neuronnät, med fokus på långt korttidsminne (LSTM). För att uppfylla syftet utgår studien ifrån kvantitativa experiment för att välja den LSTM modell som tränar bäst och skapar de noggrannaste prediktionerna. Experimenten hjälper att välja parametrar, antalet LSTM lager och antalet epoker för den utvalda modellen. För att välja den noggrannaste modellen används en förlustfunktion, Mean Squared Error (MSE). MSE är en funktion som utvärderar graden av fel mellan träningsdelens beräknade output och förväntade output. Tills sist används visualiseringar för att slutligen analysera noggranheten av resultaten. Baserat på resultaten uppnår den utvalda LSTM modellen ett MSE värde på 0,001557, mycket nära 0,0 som är det bästa möjliga MSE värdet. Det betyder att resultaten och visualiseringarna visar att den utvalda modellen kan med en hög noggranhet skapa prediktioner på kryptovalutans tidsserie. En ökning av valideringsdelen kan hjälpa att ytterligare optimera modellen till en "perfect fit" modell. I framtiden skulle det därför vara intressant att vidareutveckla modellen för att bestämma den mest optimala storleken på valideringsdelen.