De prijs van Bitcoin voorspellen met neurale netwerken: Een onderzoek naar de nauwkeurigheid van een standaard neuraal netwerk, een Long Short-Term Memory netwerk en een Gated Recurrent Unit netwerk.

Abstract

Cryptovaluta zijn een populair onderwerp voor wetenschappelijk onderzoek, waarbij getracht wordt de prijs van een cryptovaluta te voorspellen op basis van machine learning. De laatste jaren wordt er steeds meer onderzoek gedaan om deze voorspellingstaak te vervullen met behulp van neurale netwerken. Het huidig onderzoek richt zich specifiek op het voorspellen van een niet-lineaire tijdreeks, de koers van Bitcoin. Deze voorspellingstaak wordt met drie verschillende typen neurale netwerken uitgevoerd: een standaard neuraal netwerk en twee typen recurrent neurale netwerken, een Long Short-Term Memory netwerk en een Gated Recurrent Unit netwerk. Het onderzoek bestaat uit een experimenteel onderzoek dat theoretisch onderbouwd is door een literatuuronderzoek. Het experimenteel onderzoek maakt gebruik van twee datasets en drie externe variabelen (Market Capitalization, Payment Count en Realized Capitalization) om de prijs van de populairste cryptovaluta (Bitcoin) tussen de periode van 23 november 2018 en 10 juni 2019 te voorspellen. Het onderzoek analyseert hoe nauwkeurig de prestaties van standaard en de twee typen recurrent neurale netwerken zijn in het voorspellen van de prijs van cryptovaluta’s en of deze prestatie verbetert kan worden met het gebruik van externe variabelen. Het onderzoek toont aan dat een Long Short-Term Memory netwerk het best presteert in deze voorspellingstaak, hoewel het Gated Recurrent Uni netwerk een vergelijkbare prestatie levert. Het standaard neurale netwerk presteert het minst nauwkeurig in het voorspellen van de Bitcoin prijs. Het onderzoek toont verder aan dat het gebruik van een feature de nauwkeurigheid van de voorspelling in elk van de gebruikte netwerken verbetert.