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

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).

Cet article se concentrera sur une étude récente qui a examiné les mouvements des prix du Bitcoin et leur prédiction à l'aide de quatre algorithmes d'apprentissage automatique différents. Nous examinerons en détail les objectifs, la méthodologie et les résultats obtenus par cette étude, ainsi que ses principales caractéristiques distinctives par rapport aux études précédentes.

Objectifs

L’objectif principal de cette étude est de prévoir les mouvements des prix du Bitcoin avec un degré élevé d'exactitude en utilisant quatre algorithmes d'apprentissage automatique différents : machines à vecteurs de support (SVM), réseau neuronal artificiel (ANN), naïf Bayesien (NB) et forêt aléatoire (RF). La régression logistique (LR) a également été utilisée comme modèle de référence pour comparer les performances des autres algorithmes.

Methode

Pour tester ces algorithmes, un ensemble de donnée continu existant ainsi qu’un ensemble discret ont étés crée. Les performances des algorithmes ont ensuite étés évalués 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 également était appliquée pour comparer les performances des SVM, ANN, NB et RF au LR. Neuf paramètres techniques suivies par Armano et al.(2005), Atsalakis & Valavanis(2009), Kara et al.(2011) and Kim(2003) ont également furent utilisez pour estimer leurs performances.

Résultats

Les résultats empiriques montrent que la RF offre la meilleure performance de prévision dans l’ensemble continu tandis que le NB offre la moins bonne performance. Dans l’ensemble 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 discret ameliore globalement les performances predictives chez tout algorithmme estimer .

Caracteristiques Distinctives

Cette étude se distingue des autres recherches antèrieures par trois aspects principaux: Tout d’abord elle applique simultanement quatre algorithms différnts pour comparer leurs performances; Ensuite elle utilise neuf paramètres techniques suivies par Armano et al.(2005), Atsalakis & Valavanis(2009), Kara et al.(2011) and Kim(2003); Et finallement elle examine non seulement un ensemble continu mais egalment un ensemble discret afin d ‘ameliorer encore plus sa precision predictives .