Bitcoin idősor osztályozás modern mélytanuló eljárásokkal
A neurális hálók és a mélytanulás népszerűsége, valamint jelentősége folyamatosan növekedett az elmúlt évtizedek óta. Ezek a modellek egyre inkább átveszik a vezető szerepet a gépi tanulás legnehezebb problémáinak megoldása során, folyamatosan kiválóbb és ígéretesebb eredményeket produkálva.
Az egyik nagy területe az alkalmazott gépi tanulásnak az idősor elemzés, valamint előrejelzés, ahol a klasszikus gépi tanulásos és mélytanulásos módszereket is használnak ma a legjobb eredményekért. Sok kategóriába sorolhatóak a területnek a különféle kérdései és adattípusai. Ma az egyik legtöbb kihívást jelentő feladat a pénzügyi piac árainak előrejelzése jelenti több okból is kifolyólag. A jel-zaj viszony jellemzően alacsony, különösen nagy mintavételezési frekvenciával és nagyon kitett a külső politikai vagy gazdasági tényezőknek, amiket nem lehet előre látni. Emellett olyan mintákat tud mutatni, amik időben nem állandóak -, ha valaki talál egy prediktív mintázatot és elkezdi kihasználni, az magával vonja a minta változását is. A felsorolt okokból is kifolyólag az adat előkészítése a tanításra sok nehézséget okoz.
A legújabb mélytanulásos architektúrák gyakran hordoznak magukkal valamilyen figyelem mechanikát, ami azt teszi lehetővé a hálónak, hogy a kimenet különböző részeinek létrehozásakor a bemenet egyes részeire jobban fókuszáljon. Ez sokat segít például képek felcímkézésénél (csak az objektum környezetére figyelünk, annak osztályának eldöntésénél) vagy esetleg fordításnál, ahol egyes fordított szavak jobban függnek a bemenet valamely szavaitól. Manapság az egyik legkorszerűbb képgenerálás vagy fordítási problémák megoldásának gerince az úgynevezett Transformer modell, ami ezt a figyelmi mechanizmust használja rendkívül effektíven.
Dolgozatomban a Transformer alapú modellek pontosságát vizsgálom idősor osztályozásra. Munkámban a Bitcoin árak közeljövőbeli tendenciáit próbálom előrejelezni Bitcoin és közösségi média adatokból, mivel a kriptovaluták általánosságban még mindig ki vannak téve felhajtásnak és trendeknek. Munkám során néhány népszerű, klasszikus és mélytanulásos technikát is megvizsgálok, annak érdekében, hogy egy viszonyítási alapot kapjak a Transformer-inspirálta modell teljesítményéhez.
szerző
-
Schneider Marcell
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulens
-
Dr. Gyires-Tóth Bálint
adjunktus, Távközlési és Médiainformatikai Tanszék