МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий

МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий

МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий

МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий

МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий
МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№1, 2020

МЕТОД DEEP LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ БИТКОИНА

Имамвердиев Ядигар Н.

В этой работе для прогнозирования курса обмена биткойнов предлагается архитектура глубокой нейронной сети, основу которой составляют блоки LSTM (Long-Short Term Memory – долговременная кратковременная память), один из видов рекуррентных нейронных сетей. В последние годы криптовалюты стали важными финансовыми инструментами, и проблема прогнозирования обменных курсов криптовалют на традиционные валюты стала очень актуальной. Биткоин – это первая криптовалюта, и более половины общей капитализации криптовалют принадлежит ей, и он играет роль золота в мире криптовалют, то есть цена других криптовалют часто выражается в биткоинах. Исходя из этих соображений, была рассмотрена задача прогнозирования курса биткоина, и предложенная архитектура глубокого LSTM, в экспериментах с реальными данными большого объема, охватывающими несколько лет, показала лучшие результаты, чем статистические методы, обычно используемые при прогнозировании временных рядов. Полученные результаты важны как для обычных пользователей, заинтересованных в криптовалютах, так и для инвесторов, которые активно работают в сфере криптовалют. Результаты также показывают, что подходы глубокого обучения могут быть весьма продуктивными при применении в других задачах интеллектуального анализа нестационарных временных рядов по криптовалютам (стр.82-89).

Ключевые слова: биткоин, криптовалюта, временные ряды, прогнозирование, глубокое обучение, рекуррентные нейронные сети, LSTM.
DOI : 10.25045/jpit.v11.i1.10
Литература
  • Narayanan A., Bonneau J., Felten E., Miller A., and Goldfeder S. Bitcoin and cryptocurrency technologies: A comprehensive introduction. Princeton University Press, 2016, 336 p.
  • Fry J., and Cheah E.T. Negative bubbles and shocks in cryptocurrency markets // International Review of Financial Analysis, 2016, vol.47, pp.343–352.
  • İmamverdiyev Y., Sadıyeva F. Kriptovalyuta verilənlərinin intelektual analizi məsələləri / “İnformasiya təhlükəsizliyinin aktual multidissiplinar elmi-praktiki problemləri” IV respublika konfransı, 14 dekabr 2018, s.47–52.
  • Catania L., Grassi S., and Ravazzolo F. Predicting the volatility of cryptocurrency time-series // Mathematical and Statistical Methods for Actuarial Sciences and Finance, 2018, pp.203–207.
  • Azari A. Bitcoin price prediction: An ARIMA approach. arXiv preprint arXiv:1904.05315. 2019.
  • Alessandretti L., ElBahrawy A., Aiello L.M., and Baronchelli A. Anticipating cryptocurrency prices using machine learning // Complexity, 2018, vol.2018, Article ID 8983590, 16 p. https://doi.org/10.1155/2018/8983590
  • Dingli A. and Fournier K. Financial time series forecasting – A deep learning approach // International Journal of Machine Learning and Computing, 2017, vol.7, pp.118–122.
  • Romeu P., Zamora-Martínez F., Botella-Rocamora P., Pardo J. Stacked denoising auto-encoders for short-term time series forecasting. In: Koprinkova-Hristova P., Mladenov V., Kasabov N. (eds) Artificial Neural Networks. Springer Series in Bio-/Neuroinformatics, Springer, Cham, 2015, vol.4. pp.463–486.
  • Bao W., Yue J., and Rao Y. A deep learning framework for financial time series using stacked autoencoders and long-short term memory // PloS One, 2017, vol.12, no.7, e0180944.
  • Nakamoto S. Bitcoin: A peer-to-peer electronic cash system. 2009. https://bitcoin.org/bitcoin.pdf.
  • Dyhrberg A.H. Bitcoin, gold and the dollar – A GARCH volatility analysis // Finance Research Letters, 2016, vol.16, pp.85–92.
  • Kristjanpoller W., and Minutolo M.C. A hybrid volatility forecasting framework integrating GARCH, artificial neural network, technical analysis and principal components analysis // Expert Systems with Applications, 2018, vol.109, pp.1–11.
  • Mallqui D.C., and Fernandes R.A. Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques // Applied Soft Computing, 2019, vol.75, pp.596–606.
  • Lahmiri S., and Bekiros S. Cryptocurrency forecasting with deep learning chaotic neural networks // Chaos, Solitons & Fractals, 2019, vol.118, pp.35–40.
  • Pichl L., and Kaizoji T. Volatility analysis of Bitcoin price time series // Quantitative Finance and Economics, 2017, vol.1, no.4, pp.474–485. doi: 10.3934/QFE.2017.4.474.
  • Rebane J., Karlsson I., Denic S., and Papapetrou P. Seq2Seq RNNs and ARIMA models for cryptocurrency prediction: A comparative study / Proc. of SIGKDD Workshop on Fintech, 2018, pp.1–5.
  • McNally S., Roche J., and Caton S. Predicting the price of Bitcoin using Machine Learning / 26th IEEE Euromicro International Conference on Parallel, Distributed and Network-based Processing, 2018, pp.339–343.
  • Jang H., and Lee J. An Empirical Study on Modeling and Prediction of Bitcoin Prices with Bayesian Neural Networks Based on Blockchain Information // IEEE Access, 2017, vol.6, pp.5427–5437.
  • Madan I., Saluja S., and Zhao A. Automated bitcoin trading via machine learning algorithms, 2015. Dept. Comput. Sci., Stanford Univ., Stanford, CA, USA, Tech. Rep., 
    URL: http://cs229. stanford. edu/proj2014/Isaac% 20Madan, 20.
  • Indera N. I., Yassin I. M., Zabidi A., and Rizman Z. I. Non-linear autoregressive with exogeneous input (NARX) Bitcoin price prediction model using PSO-optimized parameters and moving average technical indicators // Journal of Fundamental and Applied Sciences, 2017, vol.9, no.3S, pp.791–808.
  • Sin E., and Wang L. Bitcoin price prediction using ensembles of neural networks / 13th IEEE International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery, 2017, pp.666–671.
  • Karalevicius V., Degrande N., & De Weerdt J. Using sentiment analysis to predict interday Bitcoin price movements // The Journal of Risk Finance, 2018, vol.19, no.1, pp.56–75.
  • Kodama O., Pichl L., and Kaizoji T. Regime change and trend prediction for Bitcoin time series data / CBU International Conference Proceedings, 2017, vol.5, pp.384–388.
  • Hochreiter S., and Schmidhuber J. Long short-term memory // Neural computation, 1997, vol.9(8), pp.1735–1780.
  • Srivastava N., Hinton G., Krizhevsky A., Sutskever I., and Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting // The Journal of Machine Learning Research, 2014, vol.15, no.1, pp.1929–1958.