• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.55.2020.tde-04022020-121437
Documento
Autor
Nombre completo
Claudio Vinicius Gonçalves
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Carlos, 2019
Director
Tribunal
Louzada Neto, Francisco (Presidente)
Andrade Filho, Marinho Gomes de
Silva, Paulo Henrique Ferreira da
Souza, Anderson Luiz Ara
Título en portugués
SVM aplicado a criptomoeda Etherium
Palabras clave en portugués
Criptomoedas
Etherium
Máquinas de vetor de suporte
SVR
Resumen en portugués
A introdução da Blockchain e das criptomoedas trouxeram novas formas de realizar pagamentos, contratos, etc. Além desses benefícios, as criptomoedas também e tornaram opções de investimento para investidores. Esses investimentos apresentam grande risco, pois tem uma variabilidade muito alta, por exemplo a ETH, desde a sua criação, apresenta um crescimento de 13:000% desde 2014, onde foi oferta inicial da moeda. Esse projeto propõe a criação de modelos estatísticos clássicos e de aprendizado de máquina, para prever uma hora a frente o valor da criptomoeda. Para isso, inicialmente realizamos uma simulação com uma série de Lorenz, onde ajustamos um modelo ARMA e uma maquina de vetores de suporte com o Kernel Laplaciano para verificar a eficiência das técnicas. Iniciamos criando a série de Lorenz, ajustando os modelos e realizando previsões um passo a frente 24 vezes. Para verificarmos a qualidade do nosso modelo, comparamos esses valores preditos com os valores reais da série, e usamos como indicadores de qualidade as medidas RMSE e MAE, que na simulação resultaram para o modelo ARMA(2,3) RMSE = 2,23 e MAE = 1,85 e para o SVR RMSE = 3,66 e MAE = 2,5. Utilizando os valores preditos por ambos os modelos ajustados, buscamos melhorar a precisão combinando os modelos, obtendo assim para o SVR-ARMA RMSE = 2,23 e MAE = 1,77, melhorando assim a qualidade preditiva dos modelos. Seguimos aplicando para os dados reais as técnicas, inicialmente aplicando uma transformação log-retornos para a série de dados, e obtemos para o modelo ARMA(2,3) RMSE = 2,23 e MAE = 1,85 e para o SVR RMSE = 3,15 e MAE = 2,4, e quando combinamos os modelos temos o SVR-ARMA RMSE = 2,08 e MAE = 1, 75.
Título en inglés
SVM applied to criptocurrency Etherium
Palabras clave en inglés
Criptocurrency
Etherium
Support Vector Machine
SVR
Resumen en inglés
The introduction of Blockchain and criptocurrency boght new ways to make payments, contracts, etc. Besides these benefits, the criptocoins became an investment option for investors. These investments present great risk, due to high variability, for example ETH, since its creation, its growth reached 13:000% since 2014, when it was its Initial Coin Offer. This project proposes the creation of classical statistical models and machine learning, to predict one hour ahead the value of the criptocurrency. For that purpose, initialy we simulate a Lorez series, and fit a ARMA model and a SVM with a Laplacian Kernel to verify the tecnique eficiency. We create the simulated Lorez time series, adjust the model and calculate predictions one step ahead 24 times. For model quality we compare these prediicted values with the real values of the series, and use as quality indicators RMSE and MAE, that in the simulation reulted for the ARMA(2,3) model a RMSE = 2,23 e MAE = 1,85 and the SVR RMSE = 3,66 and MAE = 2,5. Using both fitted models predicted values, to improve the prediction, we combine the models, resulting in an SVRARMA with RMSE = 2,23 and MAE = 1,77, improving the predictive quality of the models. WE follow applying the tecniques in the real data, firstly applying a log-returns transformation in the data, and adjusting the model ARMA(2,3) with RMSE = 2,23 and MAE = 1,85 and SVR with RMSE = 3,15 and MAE = 2,4, with the combine model SVR-ARMA with RMSE = 2,08 and MAE = 1, 75.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2020-02-04
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2021. Todos los derechos reservados.