Počet záznamov: 1
Kryptomeny a predikcia ich cien s využitím modelov strojového učenia
Názvové údaje Kryptomeny a predikcia ich cien s využitím modelov strojového učenia [elektronický zdroj] = [Cryptocurrencies and their Price Prediction Using Machine Learning Models] / Ján Kobida ; vedúci záverečnej práce Ľubica Bartová Autor-i Kobida, Ján (aut.)
Bartová, Ľubica, ; SPUFEM34 (škol.)Korporácia Slovenská poľnohospodárska univerzita (Nitra, Slovensko). Fakulta ekonomiky a manažmentu. Ústav štatistiky, operačného výskumu a matematiky Vyd.údaje 2023 Rozsah 1 online zdroj (65 s.) : grafy, ilustr., tab. Poznámky Názov z titulnej obrazovky (stav zo dňa 26.4.2024). Súbežný názov prevzatý z databázy uis SPU . Bibliografia s. 48-53 . Spôsob prístupu: World Wide Web . Resumé anglicky, slovensky . Bakalárska práca (Bc.). - Ústav štatistiky, operačného výskumu a matematiky FEM SPU v Nitre Predmet bakalárske práce elektronické vysokoškolské kvalifikačné práce Anotácia Autorský abstrakt: Cieľom práce bola predikcia zmien cien vybraných kryptomien s využitím alternatívnych modelov strojového učenia. Preskúmali sme využitie algoritmu s predikciami vybraného modelu strojového učenia zmien cien virtuálnych menových párov, na zmiernenie volatility ich cien. Použili sme programovací jazyk Python a softvérové knižnice pre strojové učenie - PyTorch (2023), Polars (2023) a Scikit-learn (2023). V práci sme konštruovali a kalibrovali tri typy predikčných modelov strojového učenia – multinomiálna logistická regresia (Logit), viacvrstvový perceptrón (MLP) a Transformer, s využitím minútových údajov 5 ukazovateľov: otváracích, minimálnych, maximálnych, uzatváracích cien a objemu transakcií menového páru EUR/USD v roku 2021 (Metatrader, 2023). Modely boli aplikované na predikciu cenových zmien menových párov Bitcoin/Tether, Ethereum/Tether, Litecoin/Tether a Ripple/Tether v 30-hodinových intervaloch rokov 2017-2023. Kritériami výberu najvhodnejšieho modelu pre predikciu cien menových párov boli presnosť pri predpovedaní diskrétnych cenových zmien (nárast, pokles, nevýznamná zmena) a hodnoty stratovej funkcie. Modely mali relatívne nízku výpovednú hodnotu z dôvodu modelovania zmien cien, nie vývoja samotných cien. Najvhodnejším pre predikcie cien menových párov bol model Transformer, predikcie ktorého sme využili na overenie algoritmu zmiernenie volatility cien virtuálnych menových párov Bitcoin/Tether, Ethereum/Tether, Litecoin/Tether a Ripple/Tether. Predikované diskrétne zmeny ceny (nárast, pokles, nevýznamná zmena) v 30-hodinových intervaloch rokov 2017-2023 boli transformované na absolútne cenové zmeny kĺzavých 30-hodinových priemerov uzatváracích cien vybraných virtuálnych menových párov. Algoritmus využívajúci predikcie modelu Transformer viedol k štatisticky signifikantnému zníženiu volatility cien virtuálnych mien v sledovanom období. Avšak, veľkosť dosiahnutých zmien bola relatívne malá v porovnaní so skutočnými cenovými fluktuáciami. Navrhnutý algoritmus zníženia volatility cien virtuálnych mien – stablecoinov sa javí ako perspektívny pre zníženie volatility ich cien, s potrebou jeho ďalšieho overovania a vylepšenia. Author’s abstract: The aim of the thesis was to predict price changes of selected cryptocurrencies using alternative machine learning models. We investigated the use of an algorithm with predictions of the selected machine learning model of price changes of virtual currency pairs, to mitigate their price volatility. We used the Python programming language and the machine learning software libraries PyTorch (2023), Polars (2023) and Scikit-learn (2023). We constructed and calibrated three types of machine learning prediction models - multinomial logistic regression (Logit), multilayer perceptron (MLP) and Transformer, using minute data of 5 indicators: opening, minimum, maximum, closing prices and transaction volume of the EUR/USD currency pair in 2021 (Metatrader, 2023). The models were applied to predict the price changes of the currency pairs Bitcoin/Tether, Ethereum/Tether, Litecoin/Tether, and Ripple/Tether in 30-hour intervals of 2017-2023. The most appropriate model for predicting the prices of currency pairs were selected based on values of criteria: the accuracy in predicting discrete price changes (increase, decrease, insignificant change) and the loss function. The models had relatively low predictive value because of the modelling of price changes, not the evolution of the prices themselves. The Transformer model was the most suitable for predicting currency pair prices, and we used its predictions to validate an algorithm to mitigate the price volatility of the Bitcoin/Tether, Ethereum/Tether, Litecoin/Tether, and Ripple/Tether currency pairs. The predicted discrete price changes (increase, decrease, insignificant change) at 30-hour intervals from 2017-2023 were transformed into absolute price changes of moving 30-hour averages of the closing prices of the selected virtual currency pairs. The algorithm using the Transformer model predictions resulted in a statistically significant reduction in virtual currency price volatility over the study period. However, the magnitude of the changes achieved was relatively small compared to the actual price fluctuations. The proposed algorithm for reducing the price volatility of virtual currencies – stablecoins, seems to be promising for reducing the volatility of their prices, with the need for its further verification and improvement. Krajina Slovensko Jazyk dok. slovenčina URL http://opac.crzp.sk/openURL?crzpSigla=spunitra&crzpID=56585 Počet ex. [1] Báza dát E-zdroje (online) 
kniha
Signatúra Dislokácia Umiestnenie Voľné O-5664
Počet záznamov: 1