Automatisierte Prognose der Entwicklung von Kryptowährungspreisen

Abstract

Seit der Etablierung von Bitcoin sind Kryptowährungen als alternative digitale Zahlungsmethode und hochspekulative Investition sehr gefragt. Mit dem Anstieg der Rechenleistung und dem Wachstum der verfügbaren Daten, hatten tiefe neuronale Netze in den letzten Jahren auch eine steigende Popularität zu verzeichnen. Mit der Einführung der Long Short-Term Memory (LSTM) Architektur wurden neuronale Netze effizienter darin, langfristige Abhängigkeiten in Daten wie Zeitreihen zu erkennen. In dieser Arbeit kombinieren wir diese beiden Themen, indem wir neuronale Netze verwenden, um eine Prognose der Kryptowährungspreise zu generieren. Insbesondere testen wir, ob LSTM-basierte neuronale Netze profitable Handelssignale für die Kryptowährung Ethereum vorhersagen können. Wir experimentieren mit verschiedenen Vorverarbeitungstechniken und unterschiedlichen Targets, sowohl für die Regression des Preises als auch für die Klassifikation von Handelssignalen. Wir evaluieren zwei LSTM-basierte Netzwerke und einen Convolutional Neural Network (CNN) LSTM Hybrid. Die für das Lernen verwendeten Daten sind historische Ethereum Preisdaten im Minutentakt von August 2017 bis Dezember 2018. Wir messen die Leistung der Modelle durch Backtesting, wobei wir den Handel auf Basis der Vorhersagen der Modelle mit historischen Daten simulieren, die nicht für das Lernen verwendet wurden. Wir analysieren diese Performance und vergleichen sie mit der Buy-and-Hold Strategie. Diese Simulation wird über einen Bullenmarkt, einen Bärenmarkt und einen stagnierenden Zeitraum durchgeführt. In der Auswertung finden wir das leistungsstärkste Target und identifizieren zwei Vorverarbeitungskombinationen, die für diese Aufgabe am besten geeignet sind. Wir kommen zu dem Schluss, dass der CNN LSTM Hybrid in der Lage ist, Handelssignale für Ethereum profitabel zu prognostizieren und die Buy-and-Hold-Strategie um etwa 30% übertrifft, während die Performance der beiden anderen Modelle eher entäuschend war.

Since the introduction of Bitcoin, cryptocurrencies have become very attractive as an alternative digital payment method and a highly speculative investment. With the rise in computational power and the growth of available data, the artificial intelligence concept of deep neural networks had a surge of popularity over the last years as well. With the introduction of the long short-term memory (LSTM) architecture, neural networks became more efficient in understanding long-term dependencies in data such as time series. In this thesis, we combine these two topics, by using neural networks to make a prognosis of cryptocurrency prices. In particular, we test if LSTM based neural networks can produce profitable trading signals for the cryptocurrency Ethereum. We experiment with different preprocessing techniques and different targets, both for price regression and trading signal classification. We evaluate two LSTM based networks and one convolutional neural network (CNN) LSTM hybrid. As data for training we use historical Ethereum price data in one-minute intervals from August 2017 to December 2018. We measure the performance of the models via backtesting, where we simulate trading on historic data not used for training based on the models predictions. We analyze that performance and compare it with the buy and hold strategy. The simulation is carried out on bullish, bearish and stagnating time periods. In the evaluation, we find the best performing target and pinpoint two preprocessing combinations that are most suitable for this task. We conclude that the CNN LSTM hybrid is capable of profitably forecasting trading signals for Ethereum, outperforming the buy and hold strategy by roughly 30%, while the performance of the other two models was disappointing.