Predikce pohybu ceny kryptoměn pomoci rekonstrukci a analýze účetní knihy.
Analyze and reconstruct order book to develop a model to predict cryptocurrency assets price.
Type of document
bakalářská prácebachelor thesis
Author
Mikhail Lyashenko
Supervisor
Kuznetsov Stanislav
Opponent
Šimánek Petr
Field of study
Znalostní inženýrstvíStudy program
Informatika 2009Institutions assigning rank
katedra aplikované matematikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Tato práce analyzuje informace uvedené na trhu s kryptoměnami, zkoumá, které nejlépe funguje při predikci časových řad dat na trhu: LSTM-RNN nebo GRU-RNN a pokouší se předpovídat změnu ceny na trhu u tří párů kryptoměn: BTC/USDT, ETH/USDT a DOGE/USDT. Hlavní přínosy práce jsou zejména následující: 1. Analyzuje trh kryptoměn a identifikuje některé silné rysy knih příkazů 2. Ukazuje skutečný potenciál RNN při predikci časových řad. 3. Zdůrazňuje skutečný význam dat, na kterých jsou modely trénovány. This thesis analyzes the information given in the cryptocurrency market, explores which works best in time series prediction of the data in the market: LSTM-RNN or GRURNN and attempts to predict price change in the market for three cryptocurrency pairs: BTC/USDT, ETH/USDT and DOGE/USDT. In particular, the main contributions of the thesis are as follows: 1. Analyzes cryptocurrency market and identifies some strong features of limit order books 2. Shows a true potential of RNNs in time series prediction. 3. Emphasizes a true importance of the data, on which models are trained
Collections
- Bakalářské práce - 18105 [300]