master's thesis
Jan Pristovnik (Avtor), Ljupčo Todorovski (Mentor), Bojan Basrak (Komentor)

Povzetek

The master's thesis addresses analyzing and modeling the volatility of Bitcoin, the cryptocurrency with the largest marketcap. Volatility is a statistical measure of the dispersion of returns. We approximated it with realized volatility calculated on intra-daily log returns. We defined two baseline models based on a constant value and martingale property and tried to outperform them with both econometric and machine learning models. We used three error functions relative to our baseline models: MAE, MAPE, and RMSE. The best-performing econometric model is the HAR model. The best-performing machine learning model, which also outperforms the HAR model, is the LSTM recurrent neural network.

Ključne besede

volatility;forecasting;time series;cryptocurrencies;time-series analysis;machine learning;recurrent neural networks;LSTM;

Podatki

Jezik: Angleški jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FMF - Fakulteta za matematiko in fiziko
Založnik: [J. Pristovnik]
UDK: 519.2
COBISS: 135369475 Povezava se bo odprla v novem oknu
Št. ogledov: 560
Št. prenosov: 111
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Slovenski jezik
Sekundarni naslov: Napovedovanje volatilnosti Bitcoina
Sekundarni povzetek: Magistrsko delo obravnava analizo in modeliranje volatilnosti Bitcoina, kriptovalute z največjo tržno kapitalizacijo. Volatilnost je statistična mera razpršenosti donosov. Aproksimirali smo jo z realizirano historično volatilnostjo, na podlagi visoko frekvenčnih logaritemskih donosov. Definirali smo dva osnovna modela, bazirana na konstantni vrednosti in martingalski lastnosti, ter ju poskušali preseči z ekonometričnimi modeli in modeli strojnega učenja. Uporabili smo tri različne funkcije napak, relativno na naše osnovne modele: MAE, MAPE in RMSE. Najuspešnejši ekonometrični model je model HAR, najuspešnejši model strojnega učenja je rekurenčna nevronska mreža tipa LSTM. Slednja je boljša tudi od modela HAR.
Sekundarne ključne besede: volatilnost;napovedovanje;časovne vrste;kriptovalute;analiza časovnih vrst;strojno učenje;rekurenčne nevronske mreže;LSTM;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 0
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Finančna matematika - 2. stopnja
Strani: XV, 73 str.
ID: 17547218