Predikering av kursutviklingen for Bitcoin, ved bruk av maskinlærings modeller trent på markedsinformasjon

Abstract

Denne oppgaven har tatt utgangspunkt i kryptovalutta markedet, mer spesifikt Bitcoin. Dette er et marked som hatt en eksponentiell vekst det siste tiåret. Målet har vært å se hvordan ulike variabler kan anvendes for å predikere kursutvikling ved hjelp av maskinlæringsmodeller. Maskinlæringsmodellen som anvendes er en toppmoderne sekvensiell læringsarkitektur, long short term memory. Det å utføre prisprediksjon med denne typen maskinlæring er et felt som gjennom nyere litteratur viser har et potensiale. Andre forsøk på denne type arbeid, med long short term memory modeller, har benyttet primært tekniske indikatorer og tradisjonell pris data som grunnlag for disse modellene. I denne oppgaven utvides datasettet ved å utnytte det brede spektre med variabler som finnes i markedsinformasjonen til kryptovalutta. Dette tilsvarer opp mot 100 ulike variabler som gir informasjon om ulike felt innenfor BTC. Av resultatene viser denne typen data potensial til å bidra til å øke nøyaktigheten for kurspredikering av Bitcoin. Modellen som blir presentert, blir analyser ved å andvende SHAP analyse, dette bidrar til å gi innsikt i hvordan modellen andvender de ulike variablene.

This theses has been based on the cryptocurrency market, more speci_cally Bitcoin. The aim has been to see how di_erent features can be used to predict future price, using machine learning models. The speci_c machine learning model used is a state-of-the-art sequential learning architecture, long short term memory.

Performing price prediction with this type of machine learning has been done in recent literature, and has shown to have a potential. Other attempts at this type of work, have been primarily done through technical indicators, news, and Bitcoin network data, as datasets for the the models. This thesis has expanded by utilizing the broad spectrum of features, called on-chain data. This is done by utilizing the wide range of variables contained in on-chain for cryptocurrencies. By looking at up to 100 di_erent variables this thesis will explore their impact on a deep learning model. The results shows the potential to help increase the accuracy of Bitcoin's price prediction. The model that is presented is then analyzed by using SHAP analysing tools. This helps to provide insight into how extract value from the various variables. By doing this, the model becomes transparent and we get a insight into why it predicts as it does.