BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Paździor Artur (Politechnika Lubelska), Kłosowski Grzegorz (Politechnika Lubelska)
Title
Prognozowanie kursu bitcoina z wykorzystaniem sztucznej sieci neuronowej
Forecasting the Bitcoin Rate Using an Artificial Neural Network
Source
Finanse, Rynki Finansowe, Ubezpieczenia, 2018, nr 4, cz. 2, s. 61-73, rys., tab., bibliogr. 18 poz.
Issue title
Rachunkowość w zarządzaniu jednostkami gospodarczymi
Keyword
Rynek kapitałowy, Kryptowaluty, Prognozowanie kursów walut, Sztuczne sieci neuronowe (SSN)
Capital market, Cryptocurrencies, Exchange rates forecasting, Artificial neural networks (ANN)
Note
streszcz., summ.
Abstract
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. (abstrakt oryginalny)

Purpose - The aim of the article is to present the concept of an IT system that allows forecasting of the bitcoin cryptocurrency rate in relation to the euro. Design/methodology/approach - For the needs of pursuing such a formulated goal, an artificial neural network model - a multi-layer perceptron was developed. As part of the research, the input variables on which the BTC exchange rate was based were selected. Relevant data from daily quotations of exchange rates of selected currencies and metals were also obtained. The data was subjected to appropriate mathematical processing in order to adapt them for use during teaching, validation and testing of the artificial neural network. Originality/value - The results of the conducted experiments confirmed the high effectiveness of forecasting in one and two days perspective. High values of the regression coefficient (R) and small mean square error (MSE) indicate that the developed prediction system correctly predicts the rates of the analyzed cryptocurrency not only in relation to historical data, but also for current and future values. (original abstract)
Accessibility
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
Full text
Show
Bibliography
Show
  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).
Cited by
Show
ISSN
2450-7741
Language
pol
URI / DOI
http://dx.doi.org/10.18276/frfu.2018.94/2-05
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu