Bitcoin price movement direction prediction

: a comparison between Decision Tree SVM and LSTM

Resumo

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.

Data de atribuição	1 fev. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Dan Tran (Supervisor)