# Forecasting the movements of Bitcoin prices: an application of machine learning algorithms

**Authors:** Hakan Pabuccu, Serdar Ongan, Ayse Ongan  
**arXiv:** [2303.04642](https://arxiv.org/abs/2303.04642)  
**Date:** 2023-03-08  
**Summary page:** https://www.summarizepaper.com/fr/paper/2303.04642v1/

## Key points

- L'étude vise à prédire les mouvements des prix du Bitcoin avec un haut degré d'exactitude.
- Quatre algorithmes d'apprentissage automatique différents ont été utilisés : SVM, ANN, NB et RF, ainsi que LR comme modèle de référence.
- Un ensemble de données discret a été créé en plus de l'ensemble continu existant pour tester les algorithmes.
- Les performances des algorithmes ont été évaluées à l'aide de plusieurs mesures telles que la statistique F, la statistique d'exactitude, MAE, RMSE et RAE.
- La RF offre la meilleure performance dans l'ensemble de données continu tandis que le NB offre la moins bonne performance. Dans l'ensemble de donnée discret, c'est ANN qui offre la meilleure performance tandis que NB est celui qui offre la moins bonne performance.
- L'utilisation d'un ensemble de données discret améliore globalement les performances prédictives dans tous les algorithmes estimés.
- L'étude se distingue des études précédentes par trois aspects principaux : elle applique simultanément quatre algorithmes différents pour comparer leurs performances ; elle utilise neuf paramètres techniques suivies par Armano et al. (2005), Atsalakis & Valavanis(2009), Kara et al. (2011) et Kim(2003).

## Summary

Cette étude vise à prévoir les mouvements des prix du Bitcoin avec un degré élevé d'exactitude en utilisant quatre algorithmes d'apprentissage automatique différents : les machines à vecteurs de support (SVM), le réseau neuronal artificiel (ANN), le naïf de Bayes (NB) et la forêt aléatoire (RF), ainsi que la régression logistique (LR) comme modèle de référence. En plus de l'ensemble de données continu existant, un ensemble de données discret a été créé et utilisé pour tester ces algorithmes. Les performances des algorithmes ont été évaluées en utilisant plusieurs mesures telles que la statistique F, la statistique d'exactitude, l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et l'erreur absolue racine (RAE). Le test t a été utilisé pour comparer les performances des SVM, ANN, NB et RF avec celles du LR. Les résultats empiriques montrent que la RF offre la meilleure performance de prévision dans l'ensemble de données continu tandis que le NB offre la moins bonne performance. D'autre part, dans l'ensemble de donnée discret, c'est ANN qui offre la meilleure performance tandis que NB est celui qui offre la moins bonne performance. De plus, l’utilisation d’un ensemble de donnée discret amèliore globalement les performances présdictives dans tous les algorithmes estimés. Cette étude se distingue des études préscedentes par trois aspects principaux. Tout d’abord elle applique simultanement quatre algorithmes différnts pour comparer leurs performances. Ensuite elle utilise neuf paramètres techniques suivies par Armano et al. (2005), Atsalakis & Valavanis(2009), Kara et al. (2011) et Kim(2003).