Predicting Bitcoin Price using Machine Learning Techniques

Abstract

This research aims to compare the performance ARIMA and machine learning techniques, therefore the ARIMA is a classical technique whereas machine learning is Multilayer perceptron, Radial basis function and Support vector machine for regression. Those techniques are used for forecasting in various situations in particular, gold price and oil price forecasting therefore Bitcoin is a cryptocurrency which exchanges all the time that makes Bitcoin price more fluctuated. In this research, ARIMA and machine learning have been used to create a daily Bitcoin price models such as, Open, High, Low, Close, Volume and Marketcap from www.coinmarketcap.com during 1st January 2017 to 31th December 2019. As evaluation, sliding window technique is used for separating the data into training and testing set. Then, MAE and RMSE are used for evaluation. From experiment, ARIMA is the best result therefore the Open, High, Low, Close, Volume and Marketcap are the lowest at 1.49, 1.55, 1.42, 1.49, 0.27 and 2.54 in MAE and 2.38, 2.48, 2.25, 2.38, 0.43 and 4.03 in RMSE respectively.

งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคอริมา และเทคนิคถดถอยการเรียนรู้ของเครื่อง อริมาเป็นเทคนิคดั่งเดิม ส่วนเทคนิคถดถอยการเรียนรู้ของเครื่องประกอบด้วย Multilayer perceptron, Radial basis function, และ Support vector machine for regression เป็นเทคนิคใหม่ที่นักวิจัยนำมาใช้ในสร้างแบบจำลองในการพยากรณ์ในงานต่างๆ เช่น พยากรณ์ราคาทองคำ ราคาน้ำมัน เป็นต้น ในงานวิจันนี้ได้นำเอาเทคนิคดังกล่าวมาใช้ในการสร้างแบบจำลองอนุกรมเพื่อพยากรณ์ราคาบิตคอยน์เป็นรายวัน โดยบิตคอยน์ (Bitcoin) เป็น สกุลเงินอิเล็กทรอนิกส์ชนิดหนึ่งที่มีการชื่อขายกันตลอดเวลาทำให้ราคามีความผันผวนไม่แน่นอนในแต่ละวัน ข้อมูลที่จะนำมาใช้ประกอบด้วย ราคาเปิดตลาด ราคาสูงสุด ราคาต่ำสุด ราคาปิดตลาด ปริมาณซื้อขาย และมูลค่าตลาดรวม จากเว็บไซต์ www.coinmarketcap.com ตั้งแต่วันที่ 1 มกราคม ค.ศ.2017 ถึง 31 ธันวาคม ค.ศ.2019 ในการวัดประสิทธิภาพของแบบจำลองดังกล่าวหลักการ Sliding window ได้ถูกนำมาใช้ในการแบ่งข้อมูลเป็นชุดข้อมูลฝึกฝน และชุดข้อมูลทดสอบ รวมถึงค่าความเฉลี่ยคลาดเคลื่อนสัมบูรณ์ และค่าความคลาดเคลื่อนเฉลี่ยกำลังสอง ถูกนำมาเป็นเกณฑ์ในการเปรียบเทียบประสิทธิภาพของแบบจำลอง จากการทดลองพบว่า เทคนิค ARIMA มีประสิทธิภาพสูงสุด โดยมีค่า MAE ของการพยากรณ์ ราคาเปิดตลาด ราคาสูงสุด ราคาต่ำสุด ราคาปิดตลาด ปริมาณซื้อขายในแต่ละวัน และ มูลค่าตลาดรวม ต่ำสุดที่ 1.49, 1.55, 1.42, 1.49, 0.27 และ 2.54 ค่า RMSE เท่ากับ 2.38, 2.48, 2.25, 2.38, 0.43 และ 4.03 ตามลำดับ