AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Applying machine learning models & algos for prediction of crypto market movements and optimization of market investment strategies

Alternative Title :	Εφαρμογή μοντέλων μηχανικής μάθησης και αλγορίθμων για την πρόβλεψη της αγοράς κρυπτονομισμάτων και τη βελτιστοποίηση επενδυτικών στρατηγικών

Creator :	Γάτος, Ραφαήλ Gatos, Rafail

Contributor :	Markakis, Evangelos (Επιβλέπων καθηγητής) Vassalos, Vasilios (Εξεταστής) Malakasiotis, Prodromos (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Type :	Text

Extent :	48p.

Language :	en

Abstract :	Τα τελευταία χρόνια η αγορά κρυπτονομισμάτων ελκύει το ενδιαφέρον ολοένα και περισσότερων επενδυτών οι οποίοι βλέπουν τα κρυπτονομίσματα ως ένα ακόμη asset στο οποίο μπορούν να επενδύσουν μακροπρόθεσμα ή βραχυπρόθεσμα. Η τεχνολογία του blockchain στην οποία βασίζονται εγγυάται την αξιοπιστία τους, ενώ ο μεγάλος όγκος συναλλαγών και οι μεγάλες αποδόσεις τους τα καθιστούν ελκυστικά. Παράλληλα, κατά την ίδια περίοδο έχουμε μια μαζική υιοθέτηση μεθόδων μηχανικής μάθησης για την επίλυση ποικίλων επιχειρηματικών προβλημάτων αλλά και για τη βελτίωση παραδοσιακών προσεγγίσεων. Αναπόφευκτα αυτό επηρεάζει και τον τρόπο με τον οποίο συμπεριφέρονται οι επενδυτές καθώς πλέον έχουν στα χέρια τους νέα εργαλεία με τα οποία μπορούν να πάρουν επενδυτικές αποφάσεις αποτελεσματικότερα και γρηγορότερα. Η μηχανική μάθηση μπορεί να ποσοτικοποιήσει την ψυχολογία της αγοράς και αναλύοντας μεγάλο όγκο δεδομένων να αναγνωρίσει μοτίβα που ο άνθρωπος δεν είναι σε θέση να αντιληφθεί οδηγώντας έτσι σε πιο ακριβείς προβλέψεις. Όπως θα δούμε, η χρήση μοντέλων μηχανικής μάθησης σε συνδυασμό με τεχνικές βελτιστοποίησης χαρτοφυλακίου μπορούν να οδηγήσουν σε σημαντικά κέρδη. Αυτό που επιχειρείται σε αυτή την εργασία είναι η κατασκευή ενός δυναμικού χαρτοφυλακίου όπου κάθε εβδομάδα επιλέγονται 8 κρυπτονομίσματα, σε κάποια από τα οποία η θέση είναι long και σε κάποια short. Το ποια είναι τα εκάστοτε 8 κρυπτονομίσματα αλλά και το τι ποσοστό του κεφαλαίου μας επενδύεται σε καθένα, καθορίζεται με βάση την πρόσφατη συμπεριφορά των 20 μεγαλύτερων κρυπτονομισμάτων με βάση την κεφαλαιοποίηση της αγοράς. Η αναλογία long/short καθορίζεται ανάλογα με το αν προβλέπεται άνοδος ή πτώση στην αγορά κρυπτονομισμάτων. Για το σκοπό αυτό κατασκευάζεται ένα δείκτης, ο Crypto10, ο οποίος αποτελείται από τα 10 σημαντικότερα κρυπτονομίσματα βάσει κεφαλαιοποίησης, όπως αντίστοιχα ο ΣΠ 500 στο χρηματιστήριο της Αμερικής. Όσο μεγαλύτερη προβλέπεται η πιθανότητα ανόδου του Crypto10 τόσο περισσότερα κρυπτονομίσματα μπαίνουν στο χαρτοφυλάκιο σε θέση long και αντίστροφα. Με βάσει ιστορικά δεδομένα τόσο της αγοράς κρυπτονομισμάτων, όσο και άλλων αγορών, κατασκευάζεται ένα μοντέλο μηχανικής μάθησης, το οποίο προβλέπει αν και με τι πιθανότητα, ο Crypto10 που αντικατοπτρίζει σε μεγάλο βαθμό την αγορά, πρόκειται να ανέβει μία εβδομάδα αργότερα. Στο τέλος εξετάζεται η αποτελεσματικότητα της όλης στρατηγικής, μέσω της κερδοφορίας της, εφαρμόζοντάς την σε πραγματικά, άγνωστα δεδομένα. In the last few years more and more investors have been getting into the cryptocurrency market to invest both long term and short term. The blockchain technology, upon which cryptocurrencies are based, guarantees their reliability, while the huge trading volume and the high returns make crypto market an attractive destination for traders and investors. At the same time during this period there has been a massive adoption of machine learning and artificial intelligence methods through which businesses attempt to solve complex problems or improve traditional approaches. Inevitably, this also affects how investors behave since now they have new tools with which they can make investment decisions more efficiently and quickly. Machine learning can quantify market sentiment and by analyzing large amount of data can identify patterns that humans are unable to perceive, leading to more accurate forecasts. Thus, as we will see later, the use of machine learning models in combination with portfolio optimization techniques can bring significant profits, even in an environment of increased uncertainty and high volatility. What we do in this project is the construction of a dynamic portfolio where 8 cryptocurrencies are selected each week, in some of which we have long position and short position in the rest. Which are these 8 cryptos and what fraction of our capital is invested in each is determined by the recent behavior of the top 20 cryptocurrencies based on market capitalization. The long/short ratio is determined based on whether the crypto market is predicted to rise or fall. For this purpose, an index, the Crypto10, is constructed, which consists of the 10 most important cryptocurrencies based on market capitalization, similar to S&P 500 on the American stock market. The higher the predicted probability of a rise in Crypto10, the more cryptocurrencies are added to the portfolio in long position and vice versa. Based on historical data of crypto market and other markets, a machine learning model is constructed which predicts whether and with what probability the Crypto10, which largely reflects the whole market, is going to go up or down one week later. In the end, the effectiveness of the whole strategy is tested through its profitability, by applying it to real, unknown data.

Abstract :

Τα τελευταία χρόνια η αγορά κρυπτονομισμάτων ελκύει το ενδιαφέρον ολοένα και περισσότερων επενδυτών οι οποίοι βλέπουν τα κρυπτονομίσματα ως ένα ακόμη asset στο οποίο μπορούν να επενδύσουν μακροπρόθεσμα ή βραχυπρόθεσμα. Η τεχνολογία του blockchain στην οποία βασίζονται εγγυάται την αξιοπιστία τους, ενώ ο μεγάλος όγκος συναλλαγών και οι μεγάλες αποδόσεις τους τα καθιστούν ελκυστικά. Παράλληλα, κατά την ίδια περίοδο έχουμε μια μαζική υιοθέτηση μεθόδων μηχανικής μάθησης για την επίλυση ποικίλων επιχειρηματικών προβλημάτων αλλά και για τη βελτίωση παραδοσιακών προσεγγίσεων. Αναπόφευκτα αυτό επηρεάζει και τον τρόπο με τον οποίο συμπεριφέρονται οι επενδυτές καθώς πλέον έχουν στα χέρια τους νέα εργαλεία με τα οποία μπορούν να πάρουν επενδυτικές αποφάσεις αποτελεσματικότερα και γρηγορότερα. Η μηχανική μάθηση μπορεί να ποσοτικοποιήσει την ψυχολογία της αγοράς και αναλύοντας μεγάλο όγκο δεδομένων να αναγνωρίσει μοτίβα που ο άνθρωπος δεν είναι σε θέση να αντιληφθεί οδηγώντας έτσι σε πιο ακριβείς προβλέψεις. Όπως θα δούμε, η χρήση μοντέλων μηχανικής μάθησης σε συνδυασμό με τεχνικές βελτιστοποίησης χαρτοφυλακίου μπορούν να οδηγήσουν σε σημαντικά κέρδη. Αυτό που επιχειρείται σε αυτή την εργασία είναι η κατασκευή ενός δυναμικού χαρτοφυλακίου όπου κάθε εβδομάδα επιλέγονται 8 κρυπτονομίσματα, σε κάποια από τα οποία η θέση είναι long και σε κάποια short. Το ποια είναι τα εκάστοτε 8 κρυπτονομίσματα αλλά και το τι ποσοστό του κεφαλαίου μας επενδύεται σε καθένα, καθορίζεται με βάση την πρόσφατη συμπεριφορά των 20 μεγαλύτερων κρυπτονομισμάτων με βάση την κεφαλαιοποίηση της αγοράς. Η αναλογία long/short καθορίζεται ανάλογα με το αν προβλέπεται άνοδος ή πτώση στην αγορά κρυπτονομισμάτων. Για το σκοπό αυτό κατασκευάζεται ένα δείκτης, ο Crypto10, ο οποίος αποτελείται από τα 10 σημαντικότερα κρυπτονομίσματα βάσει κεφαλαιοποίησης, όπως αντίστοιχα ο ΣΠ 500 στο χρηματιστήριο της Αμερικής. Όσο μεγαλύτερη προβλέπεται η πιθανότητα ανόδου του Crypto10 τόσο περισσότερα κρυπτονομίσματα μπαίνουν στο χαρτοφυλάκιο σε θέση long και αντίστροφα. Με βάσει ιστορικά δεδομένα τόσο της αγοράς κρυπτονομισμάτων, όσο και άλλων αγορών, κατασκευάζεται ένα μοντέλο μηχανικής μάθησης, το οποίο προβλέπει αν και με τι πιθανότητα, ο Crypto10 που αντικατοπτρίζει σε μεγάλο βαθμό την αγορά, πρόκειται να ανέβει μία εβδομάδα αργότερα. Στο τέλος εξετάζεται η αποτελεσματικότητα της όλης στρατηγικής, μέσω της κερδοφορίας της, εφαρμόζοντάς την σε πραγματικά, άγνωστα δεδομένα.
In the last few years more and more investors have been getting into the cryptocurrency market to invest both long term and short term. The blockchain technology, upon which cryptocurrencies are based, guarantees their reliability, while the huge trading volume and the high returns make crypto market an attractive destination for traders and investors. At the same time during this period there has been a massive adoption of machine learning and artificial intelligence methods through which businesses attempt to solve complex problems or improve traditional approaches. Inevitably, this also affects how investors behave since now they have new tools with which they can make investment decisions more efficiently and quickly. Machine learning can quantify market sentiment and by analyzing large amount of data can identify patterns that humans are unable to perceive, leading to more accurate forecasts. Thus, as we will see later, the use of machine learning models in combination with portfolio optimization techniques can bring significant profits, even in an environment of increased uncertainty and high volatility. What we do in this project is the construction of a dynamic portfolio where 8 cryptocurrencies are selected each week, in some of which we have long position and short position in the rest. Which are these 8 cryptos and what fraction of our capital is invested in each is determined by the recent behavior of the top 20 cryptocurrencies based on market capitalization. The long/short ratio is determined based on whether the crypto market is predicted to rise or fall. For this purpose, an index, the Crypto10, is constructed, which consists of the 10 most important cryptocurrencies based on market capitalization, similar to S&P 500 on the American stock market. The higher the predicted probability of a rise in Crypto10, the more cryptocurrencies are added to the portfolio in long position and vice versa. Based on historical data of crypto market and other markets, a machine learning model is constructed which predicts whether and with what probability the Crypto10, which largely reflects the whole market, is going to go up or down one week later. In the end, the effectiveness of the whole strategy is tested through its profitability, by applying it to real, unknown data.

Subject :	Κρυπτονομίσματα Μηχανική μάθηση Δείκτης κρυπτονομισμάτων Βελτιστοποίηση χαρτοφυλακίου Cryptocurrencies Machine learning (ML) Crypto index Portfolio optimization

Date Issued :	14-12-2022

Date Submitted :	20-10-2023

Date Accepted :	20-10-2023

Licence :

File: Gatos_2022.pdf

Type: application/pdf

Login