| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.44 MB | Adobe PDF |
Advisor(s)
Abstract(s)
This thesis explores the ability of machine learning methods combined with the use of blockchain characteristics, a stable coin proxy and technical indicators to predict the price movement of Bitcoin correctly. The experimental work attempts to prove that machine learning models can outperform a Buy & Hold strategy with the selected features and compares the classification performance of Decision Tree, a Support Vector Machine and a Long Short-Term Memory Recurrent Neural Network. The results from the feature selection supported the findings of existing literature. Additionally, the results suggest that mining difficulty and blockchain characteristics that measure transaction activity can provide supplementary information about Bitcoin. In terms of the performance of the models, results showed that a Decision Tree model has the propensity to overfit due to its low complexity and the type of data. The results from the SVM showed that although it achieved the highest accuracy, it only managed to identify the overall trend and therefore it was not able to beat a Buy & Hold strategy. Even though the LSTM did not outperform the benchmarks, it was the model that showed the most promising results, and its performance would likely improve by additional hyperparameter tunning. Therefore, the inability to outperform the benchmarks was not conclusive. Finally, the fact that the Logistic regression model was able to outperform the Buy & Hold strategy in terms of returns and volatility leads us to conclude that machine learning methods might be effective in predicting bitcoin price movement with the selected features.
Esta tese explora a capacidade dos métodos de machine learning em conjunto com o uso de características da blockchain, um proxy de stable coins e indicadores técnicos para prever corretamente o movimento do preço da Bitcoin. Esta tese tenta provar que modelos de machine learning podem superar uma estratégia Buy & Hold com as variáveis selecionadas e compara o desempenho de uma árvore de decisão, uma SVM e uma rede neural recorrente LSTM. Os resultados da seleção de variáveis apoiam a literatura existente. Além disso, os resultados também sugerem que a dificuldade de mineração e características do blockchain relacionadas com atividade transacional podem fornecer informações complementares sobre a Bitcoin. Em termos de desempenho dos modelos, os resultados mostraram que o modelo de árvore de decisão tem predisposição para sobre ajustar devido à sua baixa complexidade e ao tipo de dados. Os resultados do SVM mostraram que, embora tenha alcançado a maior precisão, apenas conseguiu identificar a tendência geral e, portanto, não foi capaz de superar a estratégia Buy & Hold. Mesmo que o LSTM não tenha superado os benchmarks, foi o modelo que mostrou os resultados mais promissores, e seu desempenho provavelmente melhoraria realizando ajuste adicional dos híper-parâmetros. Logo, a incapacidade de superar o benchmark não foi conclusivo. Finalmente, o facto de o modelo de regressão logística ter sido capaz de superar a estratégia Buy & Hold em termos de retornos e volatilidade, leva-nos a concluir que machine learning pode ser eficaz na previsão da Bitcoin com as variáveis selecionadas.
Esta tese explora a capacidade dos métodos de machine learning em conjunto com o uso de características da blockchain, um proxy de stable coins e indicadores técnicos para prever corretamente o movimento do preço da Bitcoin. Esta tese tenta provar que modelos de machine learning podem superar uma estratégia Buy & Hold com as variáveis selecionadas e compara o desempenho de uma árvore de decisão, uma SVM e uma rede neural recorrente LSTM. Os resultados da seleção de variáveis apoiam a literatura existente. Além disso, os resultados também sugerem que a dificuldade de mineração e características do blockchain relacionadas com atividade transacional podem fornecer informações complementares sobre a Bitcoin. Em termos de desempenho dos modelos, os resultados mostraram que o modelo de árvore de decisão tem predisposição para sobre ajustar devido à sua baixa complexidade e ao tipo de dados. Os resultados do SVM mostraram que, embora tenha alcançado a maior precisão, apenas conseguiu identificar a tendência geral e, portanto, não foi capaz de superar a estratégia Buy & Hold. Mesmo que o LSTM não tenha superado os benchmarks, foi o modelo que mostrou os resultados mais promissores, e seu desempenho provavelmente melhoraria realizando ajuste adicional dos híper-parâmetros. Logo, a incapacidade de superar o benchmark não foi conclusivo. Finalmente, o facto de o modelo de regressão logística ter sido capaz de superar a estratégia Buy & Hold em termos de retornos e volatilidade, leva-nos a concluir que machine learning pode ser eficaz na previsão da Bitcoin com as variáveis selecionadas.
Description
Keywords
Bitcoin Price movement prediction Machine learning Blockchain Technical analysis Stable coin Previsão do movimento do preço Análise técnica