Predicció del preu de criptomonedes utilitzant tècniques de Deep Learning
| Autor: | Cervantes Álvarez, Abel, Universitat Autònoma de Barcelona. Escola d'Enginyeria |
|---|---|
| Přispěvatelé: | Sánchez Albaladejo, Gemma |
| Rok vydání: | 2018 |
| Předmět: |
Algoritmo de trading
Redes neuronales Predicció de tendències Machine Learning Deep Learning Xarxes neurals convolucionals Algorisme de trading Xarxes neurals recurrents Criptocurrency Redes neuronales recurrentes Aprenentatge supervisat Recurrent neural networks Criptomoneda Xarxes neurals Redes neuronales convolucionales Time series forecasting Convolutional neural networks Predicción de tendéncias Aprendizaje supervisado Trading algorithm LSTM Bitcoin Neural networks Supervised learning Keras Python |
| Zdroj: | Dipòsit Digital de Documents de la UAB Universitat Autònoma de Barcelona |
| Popis: | L'objectiu d'aquest projecte consisteix en aplicar de manera comparativa tres models diferents de Deep Learning que serveixin per a predir quin serà el preu d'una criptomoneda en el minut següent i el desenvolupament d'una aplicació que posi els models en producció per ajudar en la presa de decisions a l'hora de fer inversions a curt termini. Consisteix en resoldre un problema de predicció de tendències utilitzant diferents tipus de xarxes neurals artificials. Les dades a utilitzar provenen de diferents fonts, es fan servir dades històriques dels moviments de la pròpia criptomoneda, indicadors financers i informació de la Blockchain. El models emprats són: el perceptró multicapa, xarxes Long short-term memory (LSTM) i la combinació de capes ConvNet i LSTM. Per a la construcció de cada model s'aplica la mateixa metodologia amb l'objectiu d'aconseguir els millors resultats possibles tenint en compte les limitacions de temps i hardware. Es fa un anàlisi comparatiu i es detallen els punts forts i febles de cada model aplicat en la predicció de tendències. Finalment, els models es posen en producció en una aplicació que permet observar el rendiment en temps real. El objetivo de este proyecto consiste en aplicar de manera comparativa tres modelos diferentes de Deep Learning que sirvan para predecir qual será el precio de una criptomoneda en el siguiente minuto y el desarrollo de una aplicación que ponga los modelos en producción para ayudar en la toma de decisiones a corto plazo. Consiste en resolver un problema de predicción de tendencias utilizando diferentes tipos de redes neuronales. Los datos a utilizar provienen de diferentes fuentes, datos històricos de los movimientos de la propia criptomoneda, indicadores financieros y información de la blockchain. Los modelos utilizados son: El perceptron multicapa, las redes Long short-term memory (LSTM) y la combinación de capas ConvNet y LSTM. Para la construcción de cada modelo se aplica la misma metodologia con el objetivo de conseguir los mejores resultados teniendo en cuenta las limitaciones de tiempo y hardware. Se hace un analisi comparativo i se detallan los puertos fuertes y debiles de cada modelo aplicado en la predicción de tendencias. Finalmente, los modelos se ponen en producción en una aplicación que permite observar el rendimiento en tiempo real. The aim of this project consists of a comparative application of three different Deep Learning models which are capable to predict the price of a cryptocurrency in the next minute and the development of an application which puts the models in production and helps with short term invest decision making. It consists of the resolution of a time series forecasting problem using different kinds of artificial neural networks. The data is collected from different sources, historical price and volume, technical analysis indicators and Blockchain data. The models used are: Multilayer perceptron, Long short-term memory (LSTM) and the combination of convolutional networks (ConvNet) and LSTM. For each model the same metodology is applied with the aim of achieve the best performance considering the limitations of time and hardware. A comparative analysis is made that shows the strengths and weakness of each model applied to time series forecasting. Finally, models are put in production into an application that shows the performance with real live data. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|