Treffer: Дослідження ефективності алгоритмів машинного навчання для задачі управління активами на ринку криптовалют з урахуванням оцінки довіри користувачів до криптовалюти

Дипломна робота: 177с., 37 рис., 16 табл., 2 додатки, 23 джерела. Для проведення цього дослідження було розроблено базу даних і Python додаток для завантаження щохвилинних свічкових даних з криптовалютної біржі, а потім розміщено на віддаленому сервері. Потім дані були оброблені та на них було визначено ключові точки, де рекомендувалося закривати короткі і відкривати довгі позиції (локальні мінімуми) або закривати довгі і відкривати короткі позиції (локальні максимуми). Для прогнозування та прийняття рішень було розроблено три моделі нейронних мереж: довготривала короткочасна пам’ять (LSTM), одновимірна згорткова нейронна мережа (1D-CNN) і модель ансамблю, що поєднує LSTM і 1D-CNN. Щоб забезпечити надійну оцінку продуктивності, було реалізовано методологію перехресної перевірки з розбиттям часового ряду на тренувальні і тестові вибірки. Крім того, було проведено автоматичний пошук гіперпараметрів для оптимізації конфігурації моделей. Дослідження також передбачало розробку цільового стовпця та користувацьких показників, адаптованих до конкретного завдання управління активами на ринку криптовалют. Ці показники були розроблені для оцінки ефективності моделей з точки зору прибутковості та управління ризиками. Результати цього дослідження показують ефективність алгоритмів машинного навчання для управління активами на ринку криптовалют, враховуючи рейтинги довіри користувачів до криптовалют. ; Bachelor thesis: 177 p., 37 fig., 16 tabl., 2 append., 23 sources. To conduct this research, a database and Python application to load per- minute candlestick data were developed and then hosted on a remote server, to collect data from cryptocurrency exchange. The data was then processed, and key points were identified where it was recommended to close short and open long positions (local minima) or close long and open short positions (local maxima). Three neural network models were developed for prediction and decision- making: Long Short-Term Memory (LSTM), a one-dimensional Convolutional Neural Network (1D-CNN), and an ...