|
| Titre : | Time series forecasting using machine learning methods | | Type de document : | theses et memoires | | Auteurs : | Thilleli Heniche, Auteur ; Lynda Khiali, Directeur de thèse | | Editeur : | TIZI-OUZOU : FGEI.UMMTO | | Année de publication : | 2022 | | Importance : | 48 p. | | Présentation : | ill. | | Format : | 30 cm. | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | Apprentissage automatique Prévisions de séries temporelles Bitcoin. | | Résumé : | Dans le domaine économique, les investisseurs et les traders sont intéressés par la prévision des prix des crypto-monnaies afin de prendre des décisions éclairées, de minimiser les risques, de développer des stratégies de trading et d'augmenter leurs rendements. Dans cette recherche, notre objectif est de prédire le prix du Bitcoin en utilisant des séries temporelles combinées avec des algorithmes d'apprentissage automatique.
Malgré le progrès considérable réalisé par l'IA, cette tâche reste très difficile en raison du manque de transparence, de la non-stationnarité et de la volatilité du marché des crypto-monnaies. En utilisant l'ensemble de données extraites de la compétition 2024 publiée par l'EGC, nous avons testé une variété de méthodes de prévision afin de déterminer la plus précise, y compris : la régression linéaire, KNN, SVR, arbres de décision, forêts aléatoires et XGboost. Enfin, afin d'évaluer la précision des prédictions et la performance des algorithmes, nous avons utilisé deux mesures : le MSE et le R-carré. Les résultats préliminaires ont donné une valeur de R-carré égale à 0.83, ce qui prouve l'efficacité de notre modèle prédictif.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36929 |
Time series forecasting using machine learning methods [theses et memoires] / Thilleli Heniche, Auteur ; Lynda Khiali, Directeur de thèse . - TIZI-OUZOU (TIZI-OUZOU) : FGEI.UMMTO, 2022 . - 48 p. : ill. ; 30 cm. Bibliogr. Langues : Français | Mots-clés : | Apprentissage automatique Prévisions de séries temporelles Bitcoin. | | Résumé : | Dans le domaine économique, les investisseurs et les traders sont intéressés par la prévision des prix des crypto-monnaies afin de prendre des décisions éclairées, de minimiser les risques, de développer des stratégies de trading et d'augmenter leurs rendements. Dans cette recherche, notre objectif est de prédire le prix du Bitcoin en utilisant des séries temporelles combinées avec des algorithmes d'apprentissage automatique.
Malgré le progrès considérable réalisé par l'IA, cette tâche reste très difficile en raison du manque de transparence, de la non-stationnarité et de la volatilité du marché des crypto-monnaies. En utilisant l'ensemble de données extraites de la compétition 2024 publiée par l'EGC, nous avons testé une variété de méthodes de prévision afin de déterminer la plus précise, y compris : la régression linéaire, KNN, SVR, arbres de décision, forêts aléatoires et XGboost. Enfin, afin d'évaluer la précision des prédictions et la performance des algorithmes, nous avons utilisé deux mesures : le MSE et le R-carré. Les résultats préliminaires ont donné une valeur de R-carré égale à 0.83, ce qui prouve l'efficacité de notre modèle prédictif.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36929 |
|
Time series forecasting using machine learning methods (2022)
