Forecasting volatility in the cryptocurrency market: a machine learning approach

Abstract

Η πρόβλεψη μεταβλητότητας είναι γνωστό ότι αποτελεί πρόβλημα στον τομέα των οικονομικών. Τα κρυπτονομίσματα βρίσκονται σε άνοδο, απαιτώντας την ανάπτυξη νέων πλαισίων. Στόχος αυτής της διατριβής είναι η πρόβλεψη της μεταβλητότητας των κρυπτονομισμάτων με την εφαρμογή μοντέλων μηχανικής μάθησης και τον εντοπισμό της διαφορετικής φύσης κάθε μοντέλου. Όσον αφορά τη σχετική εργασία, τα feed-forward neural networks (FFNN) τα recurrent neural networks (RNN) και long-short-term-memory που βασίζονται σε δίκτυα έδειξαν αξιοπρεπή ευρήματα στη διεθνή βιβλιογραφία. Η εμπειρική μελέτη επικεντρώνεται στην πρόβλεψη της μεταβλητότητας των Bitcoin, Ethereum, Ripple και Litecoin χρησιμοποιώντας κλασικές μεθοδολογίες (GARCH, Random Forest) και τεχνικές βαθιάς μάθησης (αρχιτεκτονικές MLP, RNN και LSTM) και τη σύγκριση τους ενώ τα μοντέλα λαμβάνουν υπόψη εσωτερικούς και εξωτερικούς καθοριστικούς παράγοντες. Σε αυτή τη διατριβή, το μοντέλο LSTM ξεπερνά τα άλλα μοντέλα που βασίζονται στο τεστ Diebold-Mariano, ενώ λαμβάνοντας υπόψη το MAPE, το MLP παρουσίασε καλύτερα αποτελέσματα από το LSTM για το Ethereum και το Ripple χρησιμοποιώντας εσωτερικούς καθοριστικούς παράγοντες. Ωστόσο, το μοντέλο Random Forest πέτυχε την υψηλότερη κατευθυντική ακρίβεια και χαμηλό RMSE. Αποδείχθηκε ότι οι εσωτερικοί καθοριστικοί παράγοντες προβλέπουν την μεταβλητότητα καλύτερα από τους εξωτερικούς προσδιοριστές. Τέλος, παρέχεται μια ρητή επεξήγηση των βασικών πλεονεκτημάτων και μειονεκτημάτων για κάθε μοντέλο ακολουθούμενη από μια επισκόπηση του έργου για ολόκληρο το έργο και πιθανές βελτιώσεις.

Volatility forecasting is well-known for being a problem in the domain of finance. Cryptocurrencies are on the rise, requiring new frameworks to be developed. The aim of this thesis is to forecast cryptocurrency volatility by implementing machine learning models and identifying the different nature of each model. With regards to related work, feed-forward neural networks (FFNN) recurrent neural networks (RNN) and networks based long-short-term-memory showed decent findings in international literature. The empirical study focuses on forecasting the volatility of Bitcoin, Ethereum, Ripple and Litecoin using classic methodologies (GARCH, Random Forest) and deep learning techniques (MLP, RNN and LSTM architectures) and compare them while the models consider internal and external determinants. In this thesis, the LSTM model outperforms the other models based on the Diebold-Mariano test, while considering the MAPE, MLP presented better results than LSTM for Ethereum and Ripple using internal determinants. However, the Random Forest model achieved the highest directional accuracy and a low RMSE. It was shown that internal determinants predict volatility better than external determinants. Finally, an explicit explanation of basic pros and cons for each model is provided followed by a project overview for the whole project and potential improvements.