Optimalizace kryptoměnového portfolia

Abstract

Cílem této práce je analyzovat vývoj hodnoty kryptoměn a navrhnout modely k predikci ceny, které zároveň budou umět vyjádřit nejistotu odhadu. Při analýze problému jsme ukázali na podobnosti procesu náhodné procházky a vývoje ceny Bitcoinu. To naznačuje, že jde o náročný problém, neboť náhodná procházka je z principu nepředvídatelná. Celkově nejúspěšnějším vyzkoušeným modelem se ukázala být rekurentní neuronová síť s LSTM buňkami. Tento model jsme pak blíže zkoumali a zjistili jsme, že se na trénovacím datasetu dokázal do určité míry naučit rozpoznat velké změny v ceně. Schopnost rozpoznávat velké výkyvy ceny na validačním či testovacím datasetu jsme však nepozorovali. Dále jsme uvedli Kellyho kritérium, které slouží k určení ideální velikosti obchodu a otestovali jsme, jak by si vedly některé naše modely při aplikaci tohoto kritéria.

The aim of this work is to analyze the development of the price of cryptocurrencies and to propose models for price prediction, which will also be able to express the estimation uncertainty. In analyzing the problem, we showed the similarities between the random walk process and the development of the price of Bitcoin. This suggests that this is a challenging problem, as a random walk is unpredictable in principle. Overall, the most successful model tested proved to be a recurrent neural network with LSTM cells. We then examined this model more closely and found that the training dataset was able to detect large changes in price to some extent. However, we did not observe the ability to recognize large price fluctuations on the validation or test dataset. We also introduced the Kelly criterion, which is used to determine the ideal size of the trade, and tested how some of our models would perform when applying this criterion.