• 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
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.55.2020.tde-04022020-121437
Document
Auteur
Nom complet
Claudio Vinicius Gonçalves
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Carlos, 2019
Directeur
Jury
Louzada Neto, Francisco (Président)
Andrade Filho, Marinho Gomes de
Silva, Paulo Henrique Ferreira da
Souza, Anderson Luiz Ara
Titre en portugais
SVM aplicado a criptomoeda Etherium
Mots-clés en portugais
Criptomoedas
Etherium
Máquinas de vetor de suporte
SVR
Resumé en portugais
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.
Titre en anglais
SVM applied to criptocurrency Etherium
Mots-clés en anglais
Criptocurrency
Etherium
Support Vector Machine
SVR
Resumé en anglais
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.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2020-02-04
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2020. Tous droits réservés.