Istraživanje utjecaja alternativnih podataka na predviđanje volatilnosti cijena valute Bitcoin

diplomski rad

• Naslov (engleski): Exploring the Impact of Alternative Data on Bitcoin Price Volatility Prediction
• Autor: Filip Radović
• Mentor: Klemo Vladimir (mentor)
• Član povjerenstva: Klemo Vladimir (predsjednik povjerenstva)
• Član povjerenstva: Marin Šilić (član povjerenstva)
• Član povjerenstva: Goran Delač (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-09-16, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu istražuje se i definira novi sustav predobrade podataka u cilju predviđanja cjenovnih serija. Taj je sustav zasnovan na događajima i funkcionira tako da uzorkuje događaje s tržišta i agregira ih prema unaprijed definiranim promjenama na tržištu. Također, u radu se procjenjuje utjecaj različitih značajki s posebnim fokusom na značajke dobivene s Twittera. Testira se više funkcija agregacije i ocjenjuje se njihova izvedba. Osim toga predstavljeno je i objašnjeno nekoliko metoda predobrade za vremenske serije. Rezultati rada pokazuju da sustav zasnovan na događajima ima potencijala i da način agregacije financijskih vremenskih serija može imati utjecaja na uspješnost predikcija modela. Osim toga pokazano je da značajke s Twittera nemaju utjecaj na tržište u predviđanju instrumenta BTC-PERPETUAL u visokofrekventnim uvjetima.

Sažetak (engleski)

This thesis explores and defines a new system of preprocessing data for price series prediction tasks. The system is called an event-based system and functions by sampling events from the market and aggregating data according to predefined changes in the market. The impact of many features is explored with a focus on features that are extracted from Twitter. Multiple aggregation functions are tested, and their performance is evaluated. Finally, several preprocessing methods for preprocessing time series are introduced and explained. This thesis indicates that event-based systems have potential and should be explored in more detail. It is also shown that the type of event aggregation can impact model prediction accuracy. Finally, it is shown that features from Twitter are not good indicators of price change in a high-frequency setting.

• Ključne riječi: Bitcoin; strojno učenje; predviđanje volatilnosti; predobrada vremenskih serija
• Ključne riječi (engleski): Bitcoin; machine learning; volatility prediction; feature importance; time series preprocessing
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:573849
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 16:00:12