An integrated machine learning and metaheuristic approach for cryptocurrency prediction

Abstract

Kripto para ticareti, finans dünyasındaki en iyi ticaret araçlarından birine öncülük etmektedir. Merkeziyetsizlikteki benzersiz özellikleri, hızla büyümelerini sağlamaktadır. Finans dünyasında dolaşan binden fazla coin bulunmaktadır. Bu devasa miktardaki coin, birçok farklı piyasa platformunda takas edilebilir. Finansal yatırımcılar ve diğer son kullanıcılar, piyasa oynaklığı ve hacmi nedeniyle kripto para tahminine önemli ilgi duymaktadırlar. Makine öğrenimi, geleneksel teknik analizin yanı sıra finans sektöründe farklı varlık tahminlerinde kullanılan umut verici bir araçtır. Son zamanlarda kripto para tahmininde makine öğreniminin kullanılmasına yönelik araştırmalar tatmin edici sonuçlar göstermektedir. Destek Vektör Regresyonu (DVR) algoritması, makine öğrenimi alanında kendi yüksek doğruluğunu elde etme konusunda ün kazanmıştır. Bu tez, en popüler kripto para olan Bitcoin’in saatlik fiyatlarını tahmin etmek için eğitim verisi olarak finansal kapsamlı teknik göstergeler kullanan SVR modelinin optimizasyonundan oluşan bir çerçeve önermektedir. Çerçevenin optimizasyon bileşeni, ateş böceğinin yanıp sönmesinden esinlenen yeni ve iyi bilinen bir metasezgiseli, Ateşböceği Algoritmasını (AA) kullanır. Ateşböceği Algoritması, iki önemli görevi optimize etmek için çerçeveye yerleştirilmiştir; özellik seçimi ve DVR parametrelerinin ayarlanması. Önerilen model, Destek Vektör Regresyonu, Çok Katmanlı Nöron Ağları ve ARIMA yaklaşımları ile karşılaştırıldığında daha iyi bir performans göstermiştir.

Cryptocurrency trading is leading to one of the best trading instruments in the finance world. Their unique characteristics on decentralization enable them to grow rapidly. There are more than one thousand coins rolling in financial worlds. This huge number of coins can be exchanged in many different market platforms. Financial traders and other end users have significant interest on prediction of cryptocurrencies due to market volatility and volume. Machine learning is already a promising tool used in different assets’ prediction in financial industry besides traditional technical analysis. Recent researches on using machine learning in cryptocurrency prediction show satisfied outcomes. Support Vector Regression (SVR) algorithm has reputation on achieving higher accuracy in machine learning domain. This thesis proposes a framework constituted of optimization of SVR model using financial extensive technical indicators as training data to predict hourly prices of the most popular cryptocurrency, Bitcoin. The optimization component of the framework employs a newly well-known metaheuristic inspired by flashing of firefly, Firefly Algorithm (FA). Firefly Algorithm is put into the framework to optimize two important tasks; feature selection and setting parameters of SVR. The proposed model shows better performance compared to regular Support Vector Machine, MLP, and ARIMA approaches.