Finanse, Rynki Finansowe, Ubezpieczenia

Wcześniej: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia


ISSN: 2450-7741    OAI    DOI: 10.18276/frfu.2018.94/2-05
CC BY-SA   Open Access 

Lista wydań / 4/2018
Prognozowanie kursu bitcoina z wykorzystaniem sztucznej sieci neuronowej

Autorzy: Artur Paździor ORCID
Politechnika Lubelska

Grzegorz Kłosowski ORCID
Politechnika Lubelska
Słowa kluczowe: rynek kapitałowy kryptowaluty prognozowanie zmian kursów sztuczna sieć neuronowa
Data publikacji całości:2018
Liczba stron:13 (61-73)
Cited-by (Crossref) ?:

Abstrakt

Cel – Celem artykułu jest prezentacja koncepcji systemu informatycznego umożliwiającego prognozowanie kursu kryptowaluty bitcoin (BTC) w odniesieniu do waluty euro. Metodologia badania – Na potrzeby realizacji tak sformułowanego celu opracowano model sztucznej sieci neuronowej – perceptronu wielowarstwowego. W ramach badań dobrano zmienne wejściowe, od których uzależniono kurs BTC. Pozyskano także odpowiednie dane, pochodzące z dziennych notowań kursów wybranych walut i metali. Dane poddano stosownej obróbce matematycznej w celu ich dostosowania do wykorzystania podczas uczenia, walidacji i testowania sztucznej sieci neuronowej. Oryginalność/wartość – Oryginalny był dobór wektora zmiennych wejściowych, umożliwiających prognozowanie kursu BTC. Wyniki przeprowadzonych eksperymentów potwierdziły wysoką skuteczność prognozowania w perspektywie jedno- i dwudniowej. Wysokie wartości współczynnika regresji (R) i mały błąd średniokwadratowy (MSE) świadczą o tym, że opracowany system predykcyjny prawidłowo przewiduje kursy analizowanej kryptowaluty nie tylko w odniesieniu do danych historycznych, lecz także dla wartości bieżących i przyszłych.
Pobierz plik

Plik artykułu

Bibliografia

1.Baumann, J., Lesoismier, A. (2017). Cryptocurrencies Outlook 2018. Stairway to Heaven. SwissBorg.
2.Berentsen, A., Schär, F. (2018). A Short Introduction to the World of Cryptocurrencies. Federal Reserve Bank of St. Louis Review, First Quarter.
3.Bitcoin Correlations to Macro Environment: Gold and Yuan Standouts. TradeBlock. Pobrano z: https://tradeblock.com/blog/bitcoin-correlations-to-macro-environment-gold-and-yuan-standouts (31.11.2017).
4.Corbet, S., McHugh, G., Meegan, A. (2017). The Influence of Central Bank Monetary Policy Announcements on Cryptocurrency Return Volatility. Investment Management and Financial Innovations, 4 (14), 60–72.
5.DeVries, P.D. (2016). An Analysis of Cryptocurrency, Bitcoin, and the Future. International Journal of Business Management and Commerce, 1 (2), 1–9.
6.Foresee, F.D. Hagan, M.T. (1997). Gauss-Newton Approximation to Bayesian Learning. W: Proceedings of the International Joint Conference on Neural Networks (s. 1930–1935). Houston: IEEE.
7.Huang, W., Lai, K.K., Nakamori, Y., Wang, S. (2004). Forecasting Foreign Exchange Rates with Artificial Neural Networks: A Review. International Journal of Information Technology & Decision Making, 3 (01), 145–165.
8.Instrumenty pochodne. GPW. Pobrano z: https://www.gpw.pl/instrumenty-pochodne (10.09.2018).
9.Investing.com. Zakładka: Kryptowaluty. Pobrano z: https://m.pl.investing.com/ (10.09.2018).
10.Kłosowski, G., Klepka, T., Nowacka, A. (2018). Neural Controller for the Selection of Recycled Components in Polymer-gypsy Mortars. Applied Computer Science, 2 (14), 48–59.
11.Kmita, M. (2017). Dlaczego Bitcoin nie jest piramidą finansową. BitHub.pl. Pobrano z: https://bithub.pl/opinie/dlaczego-bitcoin-piramida-finansowa/ (13.09.2018).
12.Market Price (USD). Blockchain. Pobrano z: https://www.blockchain.com/charts/market-price?timespan=2years (13.09.2018).
13.Möbert, J. (2018). Bitcoin Myths, Misconceptions and Misunderstandings. EU Monitor Global Financial Markets. Deutsche Bank Research.
14.Ponzi Schemes Using Virtual Currencies. SEC Investor Alert. Pobrano z: https://www.sec.gov/investor/alerts/ia_virtualcurrencies.pdf (13.09.2018).
15.Pyka, I., Muszyński, M. (2015). Nowe regulacje bezpiecznego obrotu instrumentami pochodnymi na rynku pozagiełdowym w Polsce. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, 238, 117–131.
16.Stankovska, A. (2017). Global Derivatives Market. SEEU Review. Pobrano z: https://www.degruyter.com/downloadpdf/j/seeur.2016.12.issue-1/seeur-2017-0006/seeur-2017-0006.pdf (10.09.2018 r).
17.Statistical Release: OTC Derivatives Statistics at End – June 2017 (2017). Bank of International Settlements. Pobrano z: https://www.bis.org/publ/otc_hy1711.pdf (11.09.2018).
18.The Value of Derivatives. Pobrano z: https://www.isda.org/a/qJEDE/isda-final-2014.pdf (12.09.2018).