Machine learning approach for forecasting cryptocurrencies time series

Derbentsev, Vasyl; Velykoivanenko, Halyna; Datsenko, Natalia

doi:10.33111/nfmte.2019.065

Cited by 5 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Using paired-samples t-tests and Wilcoxon signed-rank tests, the study confirmed that stock prices can be predicted more effectively when sentiment scores are incorporated into the predictions. Vasyl Derbentsev [35] uses the Binary Autoregressive Tree model (BART), and Neural Networks (Multilayer Perceptron, MLP) and an ensemble of Classification and Regression Trees models (Random Forest, RF) to predict the price movements of Bitcoin, Ethereum, and Ripple. As a result, when measuring MAPE, the RF model showed the best results.…”

Section: Stock Market and Sentiment Analysismentioning

confidence: 99%

Forecasting the S&P 500 Index Using Mathematical-Based Sentiment Analysis and Deep Learning Models: A FinBERT Transformer Model and LSTM

Kim,

Choi

2023

Axioms

View full text Add to dashboard Cite

Stock price prediction has been a subject of significant interest in the financial mathematics field. Recently, interest in natural language processing models has increased, and among them, transformer models, such as BERT and FinBERT, are attracting attention. This study uses a mathematical framework to investigate the effects of human sentiment on stock movements, especially in text data. In particular, FinBERT, a domain-specific language model based on BERT tailored for financial language, was employed for the sentiment analysis on the financial texts to extract sentiment information. In this study, we use “summary” text data extracted from The New York Times, representing concise summaries of news articles. Accordingly, we apply FinBERT to the summary text data to calculate sentiment scores. In addition, we employ the LSTM (Long short-term memory) methodology, one of the machine learning models, for stock price prediction using sentiment scores. Furthermore, the LSTM model was trained by stock price data and the estimated sentiment scores. We compared the predictive power of LSTM models with and without sentiment analysis based on error measures such as MSE, RMSE, and MAE. The empirical results demonstrated that including sentiment scores through the LSTM model led to improved prediction accuracy for all three measures. These findings indicate the significance of incorporating news sentiment into stock price predictions, shedding light on the potential impact of psychological factors on financial markets. By using the FinBERT transformer model, this study aimed to investigate the interplay between sentiment and stock price predictions, contributing to a deeper understanding of mathematical-based sentiment analysis in finance and its role in enhancing forecasting in financial mathematics. Furthermore, we show that using summary data instead of entire news articles is a useful strategy for mathematical-based sentiment analysis.

show abstract

Section: Stock Market and Sentiment Analysismentioning

confidence: 99%

Forecasting the S&P 500 Index Using Mathematical-Based Sentiment Analysis and Deep Learning Models: A FinBERT Transformer Model and LSTM

Kim,

Choi

2023

Axioms

View full text Add to dashboard Cite

show abstract

“…The linear paradigm has been replaced by a nonlinear paradigm (Peters, 1994), which is based on the recognition of the fractal nature of the market and is actively developed for analysis and modeling, including in (Perepelitsa and Maksyshko, 2012) and (Maksyshko et al, 2020). This statement is based on such features of time series (TS) of indicators characterizing financial markets: the lack of independence of levels, the presence of long-term memory, and others (Derbentsev et al, 2019;. The use of statistical methods for their research and further forecasting (as the ultimate goal of the analysis) turns out to be inadequate.…”

Section: Related Workmentioning

confidence: 99%

Proceedings of 10th International Conference on Monitoring, Modeling & Management of Emergent Economy

2022

View full text Add to dashboard Cite

The movement of Ukrainian guest workers in the direction of Poland until 2019 was predominantly transnational in nature, as there was a constant movement of labor migrants between the national spaces of Ukraine and Poland with financial participation in the economies of the two countries at the same time. This fact is confirmed by the results of empirical sociological researches conducted by the Ukrainian Institute of the Future, the Cedos analytical agency, the Personnel Service employment agency, the Gremi Personal, and the statistical data of the International Organization for Migration, the State Migration Service of Ukraine, the State Statistics Service of Ukraine, the Ministry of Family and Social Development of Poland. However, the trends changed dramatically due to the global COVID-19 epidemic, later in 2022 with the outbreak of the war in Ukraine. The desire for temporary, pendulum labor mobility gave way to the desire to leave Ukraine forever and settle abroad with the whole family. A new migration trend may be associated with the movement to Poland of Ukrainian men who come after the end of the war to reunite with their families, who were moved there earlier since the beginning of hostilities in Ukraine.

show abstract

“…Все частіше для розв'язання прикладних задач використовуються більш складні регресійні моделі та методи машинного навчання. Приклади використання можна побачити в роботах: [1] -прогнозування вартості легкових авто, [2] -прогнозування повеней, [3] -прогнозування потоків та рівнів води, [4] -прогнозування вартості криптовалют, в [5] використовуються для прогнозування цін на нерухомість. В роботі [6] представлено огляд та класифікацію моделей прогнозування.…”

Section: подовження рядів даних за значеннями показників схожих рядівunclassified

Lengthening the data series by values of similar data series samples

Baturinets¹,

Antonenko²

2021

bcstu

View full text Add to dashboard Cite

Проблема недостатності інформації суттєво впливає на вибір підходів та методів аналізу рядів даних, а також на якість отримуваних результатів. Зважаючи на таку проблему, автори роботи вважають, що актуальним є питання розробки та аналізу підходів та моделей для подовження рядів даних. Основною задачею даної роботи є описання та реалізація технології подовження рядів даних. В основу реалізації технології закладено використання значень схожих рядів даних в якості ознак для подовження певного ряду даних, представленого тими ж показниками, що й схожі ряди даних. В роботі описано схему визначення схожих рядів даних. Згідно цієї схеми найбільш схожими рядами даних є такі, що мають найменше значення відстані та сильний прямий кореляційний зв’язок, обчислені між потенційно схожим рядом та рядом, для якого буде відбуватися подовження. Для подовження ряду в даній роботі розглядається сім моделей: лінійної множинної регресії; суми зважених значень по групі схожих рядів; середньозважених значеннях по групі схожих рядів, з коригуванням на середнє значення ряду, для якого виконується подовження; випадкового лісу; к-найближчих сусідів; методу опорних векторів; градієнтного бустінгу. Обчислювальний експеримент проведено на рядах, представлених значеннями показників рівнів води, зафіксованими на гідрологічних постах, що розміщені на водних об’єктах басейну річки Дніпро. Для ряду даних посту 79545, розташованого на р. Случ, м. Новоград-Волинський, Житомирської обл., виконується подовження на один рік, тобто довжина ряду збільшується на 365 значень. В результаті визначено, що найбільш схожими є ряди показників постів 79555 та 79694, які мають найменші значення розрахованих відстаней та значення коефіцієнта кореляції більше 0,75. При подовженні ряду визначено, що найкращі результати отримано при використанні двох моделей: суми зважених значень по групі схожих рядів та середньозважених значень по групі схожих рядів, з коригуванням на середнє значення ряду, для якого виконується подовження.

show abstract

Machine learning approach for forecasting cryptocurrencies time series

Cited by 5 publications

References 0 publications

Forecasting the S&P 500 Index Using Mathematical-Based Sentiment Analysis and Deep Learning Models: A FinBERT Transformer Model and LSTM

Forecasting the S&P 500 Index Using Mathematical-Based Sentiment Analysis and Deep Learning Models: A FinBERT Transformer Model and LSTM

Proceedings of 10th International Conference on Monitoring, Modeling & Management of Emergent Economy

Lengthening the data series by values of similar data series samples

Contact Info

Product

Resources

About