Система прогнозування курсів криптовалют на основі методів рекурентних нейронних мереж

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorМалік, Тимур Імтіазович
dc.date.accessioned2022-09-22T07:23:54Z
dc.date.available2022-09-22T07:23:54Z
dc.date.issued2021
dc.description.abstractenThe master's dissertation contains: 118 pages, 22 tables, 44 drawings, 1 appendix. and 44 sources. The object of the study is a sample of prices of cryptocurrency "Litecoin" for each day from 2017 to 2021. The subject of research is the methods of data mining based on recurrent neural networks and the method of GMDH. Python was chosen as the programming language. Litecoin cryptocurrency forecasting models are built on the basis of the latest modifications of recurrent neural networks LSTM and GRU, such as bidirectional LSTM and GRU, extended LSTM, dependent (dependent) Bi-RNN, these models with the addition of attention mechanism attention-based mechanism), machine learning methods, and the method of group argumentation (GMDH). A software product for predicting the value of cryptocurrencies has been developed. Training of models of recurrent neural networks is executed. Experiments were conducted to select the parameters of these models. Using a set of criteria, estimates of the quality of the constructed models and the obtained forecasts are obtained. The results obtained by GMDH and models of recurrent neural networks are compared. When performing the work, two methods were established that give the best results that are quite close to the real ones. The direction of development of work is in expansion of functionality, reduction of errors of forecasting of the price and time of training of model.uk
dc.description.abstractukМагістерська дисертація містить: 118с., 22 табл., 44 рисунки , 1 дод. та 44 джерела. Об’єктом дослідження є вибірка цін криптовалюти «Litecoin» за кожен день з 2017 по 2021 рік. Предметом дослідження є методи інтелектуального аналізу даних на основі рекурентних нейронних мереж та метод МГУА. Програмною мовою була обрана Python. Побудовано моделі прогнозування вартості криптовалюти «Litecoin» на основі останніх модифікацій рекурентних нейронних мереж LSTM та GRU, таких як двонаправлені (bidirectional) LSTM та GRU, розширені (extended) LSTM, залежні (dependent) Bi-RNN, вказаних моделей з додаванням механізму уваги (attention-based mechanism), методів машинного навчання, а також методу групового врахування аргументів (МГУА). Розроблено програмний продукт для прогнозування вартості криптовалют. Виконано навчання моделей рекурентних нейронних мереж. Проведено експерименти щодо підбору параметрів цих моделей. Використовуючи множину критеріїв, отримано оцінки якості побудованих моделей та отриманих прогнозів. Порівняно результати, отримані МГУА та моделями рекурентних нейронних мереж. При виконанні роботи було встановлено два методи, що дають найкращі результати які достатньо близькі до реальних. Напрямок розвитку роботи є в розширенні функціоналу, зменшенні похибки прогнозування ціни та часу навчання моделі.uk
dc.format.page119 с.uk
dc.identifier.citationМалік, Т. І. Система прогнозування курсів криптовалют на основі методів рекурентних нейронних мереж : магістерська дис. : 122 Комп'ютерні науки / Малік Тимур Імтіазович. - Київ, 2021. - 119 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/49954
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectмгуаuk
dc.subjectрекурентні нейронні мережіuk
dc.subjectінтелектуальний аналіз данихuk
dc.subjectмашинне навчанняuk
dc.subjectпрогнозування ціниuk
dc.subjectкриптовалютаuk
dc.subjectgmdhuk
dc.subjectrecurrent neural networksuk
dc.subjectintellectual data analysisuk
dc.subjectmachine learninguk
dc.subjectprice forecastinguk
dc.subjectcryptocurrencyuk
dc.subject.udc004.048:520.88uk
dc.titleСистема прогнозування курсів криптовалют на основі методів рекурентних нейронних мережuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Malik_magistr.pdf
Розмір:
2.54 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи