Giliojo mokymosi modelio taikymas kriptovaliutų kainų prognozavimui
Keturakis, Mindaugas |
Šiame bakalauro darbe sprendžiama kriptovaliutų kainų pokyčių prognozavimo problema, pasitelkiant giliojo mokymosi metodus. Kriptovaliutų rinkos pasižymi dideliu nepastovumu ir sudėtinga dinamika, todėl tradiciniai prognozavimo metodai dažnai yra nepakankamai tikslūs. Darbo tikslas – pritaikyti ir optimizuoti esamas giliojo mokymosi modelio architektūras kriptovaliutų kainų pokyčių prognozavimui, atlikti modelio adaptaciją naudojant realius rinkos duomenis bei įvertinti jo tikslumą ir efektyvumą. Siekiant šio tikslo, buvo pritaikytas ir optimizuotas ilgalaikės atminties (LSTM) neuroninis tinklas, naudojant realius rinkos duomenis iš „Binance“ programų sąsajos (API). Sistema apima automatizuotą duomenų rinkimą, išsamią duomenų analizę ir paruošimą su požymių inžinerija. Modelis realizuotas naudojant „PyTorch“ biblioteką, o jo mokymui ir optimizavimui taikytos pažangios technikos: „Optuna“ parametrų paieškai, „Focal Loss“ nuostolių funkcija, „AdamW“ optimizavimo algoritmas, mokymosi greičio planuotojas, svertinis imties sudarymas, ankstyvasis sustabdymas ir temperatūros kalibravimas. Eksperimentų metu nustatyta, kad 60 minučių įvesties seka ir 15 minučių prognozavimo horizontas, siekiant nustatyti bent 0.2% kainos pokytį, duoda perspektyviausius rezultatus. Sukurti modeliai aštuonioms kriptovaliutų poroms demonstravo gebėjimą prognozuoti kainos pokyčio kryptį tikslumu, viršijančiu 50%. Kainos kilimo klasės prognozėms pasiektas santykinai aukštas tikslumas (50-75%), tačiau labai žemas atkūrimas (mažiau nei 5%), kas rodo konservatyvų modelių elgesį – jis identifikuoja nedaug, bet patikimesnių kilimo signalų. Praktiniai prekybos pavyzdžiai parodė sistemos gebėjimą generuoti naudingus signalus. Darbas rodo, kad nors modelis identifikuoja tik nedidelę dalį kainos kilimo atvejų, jo gebėjimas generuoti retus, bet aukšto tikslumo signalus, atveria perspektyvas automatizuotoms prekybos sistemoms.
This bachelor thesis addresses the problem of short-term cryptocurrency price forecasting using deep learning methods. Cryptocurrency markets are characterized by high volatility and complex dynamics, making traditional forecasting methods often insufficiently accurate. The objective of this work is to adapt and optimize a Long Short-Term Memory (LSTM) neural network for classifying cryptocurrency price changes and to evaluate its accuracy and practical applicability. To achieve this, a system was developed that consisted of automated data collection from the "Binance" API, comprehensive data analysis, and preparation with feature engineering. The model was implemented using the "PyTorch" library, and advanced techniques were applied for its training and optimization: "Optuna" for hyperparameter search, "Focal Loss" function, "AdamW" optimization algorithm, learning rate scheduler, weighted random sampling, early stopping, and temperature scaling. Experiments determined that a 60-minute input sequence and a 15-minute prediction horizon, aiming to identify at least a 0.2% price change, yield the most promising results. The developed models for eight cryptocurrencies demonstrated an ability to predict the direction of price changes with an accuracy exceeding 50%. For "Up" class predictions, a relatively high precision (50-75%) was achieved, but with very low recall (less than 5%), indicating conservative model behavior – identifying few but more reliable "up" signals. Practical trading examples demonstrated the system's ability to generate useful signals. The work shows that although the model identifies only a small fraction of price increase instances, its ability to generate rare but high-precision signals opens prospects for automated trading systems.