Skip navigation
Logo
User training | Reference and search service

Library catalog

Retrievo
EDS
b-on
More
resources
Content aggregators
Please use this identifier to cite or link to this item:

acessibilidade

http://hdl.handle.net/10071/19724
acessibilidade
Title: Forecasting bitcoin prices: ARIMA vs LSTM
Authors: Mendes, João Filipe Batista
Orientador: Mendes, Vivaldo
Mendes, Diana
Keywords: ARIMA
LSTM
Bitcoin
Forecasting
Previsão
Issue Date: 2-Dec-2019
Citation: MENDES, João Filipe Batista - Forecasting bitcoin prices: ARIMA vs LSTM [Em linha]. Lisboa: ISCTE-IUL, 2019. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/19724>.
Abstract: Bitcoin has recently received special attention in economics and finance as the most popular blockchain technology. This dissertation aims to discuss whether newly machine-leaning models perform better than traditional models in forecasting. Particularly, this study compares the accuracy of the prediction of bitcoin prices using two different models: Long-Short Term Memory (LSTM) versus Auto Regressive Integrated Moving Average (ARIMA), in terms of forecasting errors, and Python routines were used for such purpose. Bitcoin price time series ranges from 2017-06-18 to 2019-08-07, in a daily basis, sourced from the Federal Reserve Economic Data. To compare the results of both models, data was divided into two subsets: training (83.5%) and testing (16.5%). The literature usually indicates that LSTM outperforms ARIMA. In this dissertation, the results do confirm that LSTM forecasts of bitcoin prices improve on average ARIMA predictions by 92% and 94%, according to RMSE and MAE.
A Bitcoin tem recebido recentemente especial atenção em áreas como a economia e finanças por ser a mais popular tecnologia de blockchain. Esta dissertação tem como objetivo verificar se os novos modelos de machine-learning apresentam melhores resultados que os modelos tradicionais em previsões. Este estudo compara, em particular, a precisão da previsão do preço da Bitcoin usando dois modelos diferentes: Long-Short Term Memory (LSTM) versus Auto Regressive Integrated Moving Average (ARIMA), em termos de erros de previsão e aplicando rotinas do Python. A análise teve como base os preços diários da Bitcoin entre 18 de junho de 2016 e 7 de agosto de 2019, retirados da base de dados da Reserva Federal. Para comparar os resultados dos dois modelos, os dados foram divididos em duas secções: o treino (83.5%) e o teste (16.5%). A literatura indica que o modelo LSTM tem uma melhor precisão que o ARIMA e nesta dissertação os resultados confirmam que o modelo LSTM melhora em média 92% e 94% a previsão do ARIMA, de acordo com o RMSE e o MAE.
Peer reviewed: yes
URI: http://hdl.handle.net/10071/19724
Thesis identifier: 202367193
Designation: Mestrado em Economia
Appears in Collections:T&D-DM - Dissertações de mestrado

Files in This Item:
acessibilidade
File Description SizeFormat 
Master_Joao_Batista_Mendes.pdf967.2 kBAdobe PDFView/Open


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Currículo DeGóis 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.