Применение методов машинного обучения для прогнозирования курса криптовалют на примере рынка Биткоин

Актуальность работы. Целесообразность применения методов машинного обучения на финансовых рынках продиктована их эффективностью в решении задач прогнозирования временных рядов. Нейронные сети справляются с такого рода задачами куда эффективнее классических алгоритмов статистического анализа, построенных на скользящих средних, авторегрессии и условной гетероскедастичности. Рынок криптовалют, в свою очередь, привлекателен для инвестирования в силу отсутствия налогообложения и наличия относительно низких барьеров на вход. Также, на нём присутствует острая потребность в аналитических средах поддержки принятия решений, которые облегчили бы людям процесс использования данного рынка в качестве источника пассивного заработка. С точки зрения прогнозирования, криптовалютные биржи имеют ряд интересных для изучения особенностей, отличающих их от других финансовых рынков. В первую очередь, это высокая волатильность: цены активов гораздо менее стабильны, чем у акций и обычных валют, что приводит к возможности получения большей прибыли, но увеличению возможных рисков. Во-вторых, рынок особенно сильно подвержен спекуляциям со стороны крупных игроков, стимулирующих резкие изменения цен, что делает крайне важным своевременное обнаружение данного рода изменений. Таким образом, корректно будет поставить вопрос о том, насколько эффективно методы прогнозирования следующих значений временного ряда через статистику изменения предыдущих будут работать на данном рынке, и как необходимо будет при этом учесть обозначенные выше особенности ценообразования. Данная тема получила отражение в научной литературе в последнее десятилетие благодаря таким исследователям, как Siami-Namini S., Siami-Namin A., (Forecasting Economics and Financial Time Series: ARIMA vs. LSTM) Kodama O., Pichl L., Kaizoji T. (Regime Change and Trend Prediction for Bitcoin Time Series Data), Fokkema D. (Machine Learning in Finance), Shah D., Zhang K. (Bayesian Regression and Bitcoin), Lahmiri S. (A Comparison of PNN and SVM for Stock Market Trend Prediction Using Economic and Technical Information), работы которых подробно описаны в п. 1.5. Значительный вклад в развитие прогнозирования временных рядов и машинного обучения внесли Cortes, C. Vapnik, V. (Support-vector networks, 1995), Elman, J. L. (Finding Structure in Time, 1990), Gianluca Bontempi (Machine Learning Strategies for Time Series Prediction, 2013) и др. Объект исследования – временные финансовые ряды. Предмет исследования – прогнозирование значений временных рядов с помощью методов машинного обучения Цель работы – выявление подходящего для прогнозирования курса Биткоин вида нейронных сетей, его реализация с помощью библиотек Keras и TensorFlow для Python, как наиболее популярных фреймворков для построения предсказательных моделей, оценка точности прогнозов модели и подбор оптимальных параметров. Для достижения выбранной цели необходимо справиться со следующими задачами исследования: • Определение базовых понятий временных рядов, их компонент и свойств • Обзор различных видов нейронных сетей: свёрточных, рекуррентных и многослойных перцептронов • Получение данных для обучения и тестирования модели • Построение подходящей архитектуры для выбранного типа нейронной сети • Разработка целевой программы, её обучение и тестирование • Подбор метрик для оценки точности прогнозирования Работа состоит из вступления, двух теоретических глав и одной практической. В первой содержится информация по специфике и методам прогнозирования временных рядов, их свойствах, обзор технологии Блокчейн и анализ литературы. Вторая глава посвящена разным видам нейронных сетей: многослойному перцептрону, свёрточным и рекуррентным. В практической части содержится архитектура выбранного типа нейросетей, его обучение, тестирование и анализ результатов прогнозирования. В конце документа идёт заключение с окончательными выводами по работе и перспективами дальнейшего развития, а также список литературы и приложение с кодом программы.