Loading...
Publication
Time is Mining: Applying Statistical and Neural Networks Models to Forecast Bitcoin Price
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.47 MB | Adobe PDF |
Authors
Abstract(s)
The volatile nature of Bitcoin, the most prominent cryptocurrency, presents a significant
challenge for accurate price forecasting. Given this volatility, finding a reliable forecasting
model is crucial for making informed decisions in trading, investing, and risk management.
This study explores various methodologies for predicting Bitcoin prices, focusing on both
traditional statistical models and state-of-the-art neural networks. Two primary approaches
were examined: directly modelling the price and predicting daily returns, which were later
converted into price predictions. Both methods underwent an extensive hyperparameter
optimization process to ensure optimal performance, evaluated using metrics such as mean
absolute error (MAE), mean squared error (MSE), root mean squared error (RMSE), mean
absolute percentage error (MAPE), and R-squared (R²).
The return-to-price transformation approach led to significant improvements in older models
like LSTM and GRU, enhancing accuracy and reducing the inherent randomness within
neural networks, thereby increasing stability. PatchTST, when modelling the price directly,
achieved the best results with an MAE of $709.91 and a MAPE of 1.702%, although all
models produced similar outcomes. Despite low error rates, the models struggled to capture
daily price spikes, particularly when predicting returns, suggesting limitations in forecasting
significant price movements based solely on historical prices.
This work concludes by identifying limitations and providing recommendations for future
research, particularly in integrating external variables and exploring statistical models
designed to predict volatility, such as GARCH, which could potentially offer deeper insights
into sharp price fluctuations. Additionally, investigating the performance of the tested
models in multi-step forecasting scenarios and the impact of adjusting the time series'
granularity to smooth out price volatility warrants further exploration.
A volatilidade do preço da Bitcoin, a criptomoeda mais proeminente, representa um desafio significativo para uma previsão correta dos preços. Dada esta volatilidade, é crucial encontrar um modelo de previsão fiável para tomar decisões informadas em matéria de trading, investimento e gestão de riscos. Este estudo explora várias metodologias para prever os preços da Bitcoin, centrando-se tanto nos modelos estatísticos tradicionais como nas redes neurais de última geração. Foram examinadas duas abordagens principais: modelação direta do preço e previsão de retornos diários, que foram posteriormente convertidos em previsões de preços. Ambos os métodos foram submetidos a um extenso processo de otimização de hiperparâmetros para garantir um desempenho ótimo, avaliado através de métricas como o erro absoluto médio (MAE), o erro quadrático médio (MSE), a raiz do erro quadrático médio (RMSE), o erro percentual absoluto médio (MAPE) e o R-quadrado (R²). A abordagem de transformação do retorno para o preço conduziu a melhorias significativas em modelos mais antigos como LSTM e GRU, aumentando a precisão e reduzindo a aleatoriedade inerente às redes neuronais, aumentando assim a estabilidade. O PatchTST, ao modelar o preço diretamente, obteve os melhores resultados com um MAE de $709,91 e um MAPE de 1,702%, embora todos os modelos tenham produzido resultados semelhantes. Apesar das baixas taxas de erro, os modelos tiveram dificuldade em captar os picos de preços diários, em particular quando previram retornos, sugerindo limitações na previsão de movimentos de preços significativos com base apenas em preços históricos. Este trabalho conclui identificando as limitações e fornecendo recomendações para investigação futura, particularmente na integração de variáveis externas e na exploração de modelos estatísticos concebidos para prever a volatilidade, como o GARCH, que poderiam potencialmente oferecer uma visão mais profunda das flutuações acentuadas dos preços. Além disso, a investigação do desempenho dos modelos testados em cenários de previsão em várias etapas e o impacto do ajustamento da granularidade das séries cronológicas para suavizar a volatilidade dos preços merecem ser explorados mais aprofundadamente.
A volatilidade do preço da Bitcoin, a criptomoeda mais proeminente, representa um desafio significativo para uma previsão correta dos preços. Dada esta volatilidade, é crucial encontrar um modelo de previsão fiável para tomar decisões informadas em matéria de trading, investimento e gestão de riscos. Este estudo explora várias metodologias para prever os preços da Bitcoin, centrando-se tanto nos modelos estatísticos tradicionais como nas redes neurais de última geração. Foram examinadas duas abordagens principais: modelação direta do preço e previsão de retornos diários, que foram posteriormente convertidos em previsões de preços. Ambos os métodos foram submetidos a um extenso processo de otimização de hiperparâmetros para garantir um desempenho ótimo, avaliado através de métricas como o erro absoluto médio (MAE), o erro quadrático médio (MSE), a raiz do erro quadrático médio (RMSE), o erro percentual absoluto médio (MAPE) e o R-quadrado (R²). A abordagem de transformação do retorno para o preço conduziu a melhorias significativas em modelos mais antigos como LSTM e GRU, aumentando a precisão e reduzindo a aleatoriedade inerente às redes neuronais, aumentando assim a estabilidade. O PatchTST, ao modelar o preço diretamente, obteve os melhores resultados com um MAE de $709,91 e um MAPE de 1,702%, embora todos os modelos tenham produzido resultados semelhantes. Apesar das baixas taxas de erro, os modelos tiveram dificuldade em captar os picos de preços diários, em particular quando previram retornos, sugerindo limitações na previsão de movimentos de preços significativos com base apenas em preços históricos. Este trabalho conclui identificando as limitações e fornecendo recomendações para investigação futura, particularmente na integração de variáveis externas e na exploração de modelos estatísticos concebidos para prever a volatilidade, como o GARCH, que poderiam potencialmente oferecer uma visão mais profunda das flutuações acentuadas dos preços. Além disso, a investigação do desempenho dos modelos testados em cenários de previsão em várias etapas e o impacto do ajustamento da granularidade das séries cronológicas para suavizar a volatilidade dos preços merecem ser explorados mais aprofundadamente.
Description
Keywords
Séries temporais Previsão de Bitcoin Modelos de previsão estatística Modelos de previsão de redes neurais N-HITS PatchTST