Forecasting Ether price with deep learning and classical time-series methods

Abstract

I løpet av de siste to tiårene har vi observer rask vekts innen teknologi og digital økonomi, noe som gir opphav til kryptovalutaer som Ether. Det finnes noen forskjeller mellom disse instrumentene og fiat-penger, men det finnes også noen likheter. Dette fører til spørsmålet om prisutvikling av slike valutaer kan forutsies. Denne oppgaven tar for seg på å undersøke dette spørsmålet.

To hovedtilnærminger til dette spørsmålet ble undersøkt: tradisjonelle tidsserie dedikerte metoder som ARIMA-modell og dypt læringsnettverk som Long Short-Term Memory, Gated Recurrent Unit og Simple Recurrent Networks. Modellens resultater ble deretter sammenlignet med to baselinjemodeller og evaluert ved hjelp av RMSE.

Eksperimentene viser at både modelltypen og størrelsen på nettverket kan påvirke ytelsen.

Over the last two decades, technology and the digital economy have grown rapidly, giving rise to cryptocurrencies such as Ether. There are some differences between these types of instruments and fiat money, as well as some similarities. This fact leads to the question of whenever the price trajectory can be predicted. This thesis aims to investigate this question.

Two main approaches to this question were examined: traditional time-series dedicated methods such as Auto-Regressive Integrated Moving Average model and deep learning networks like Long Short-Trem Memory, Gated Recurrent Unit, and Simple Recurrent Networks. The models' outcomes were then compared to two baseline models and evaluated using root mean square error.

The experiments show that both the model type and the size of the network can impact model performance.