使用XGboost預測加密貨幣價格及設計交易策略

Yang-Ching Lin; 林洋慶

請用此 Handle URI 來引用此文件： http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/86688

完整後設資料紀錄

DC 欄位	值	語言
dc.contributor.advisor	呂育道(Yuh-Dauh Lyuu)
dc.contributor.author	Yang-Ching Lin	en
dc.contributor.author	林洋慶	zh_TW
dc.date.accessioned	2023-03-20T00:11:22Z	-
dc.date.copyright	2022-08-10
dc.date.issued	2022
dc.date.submitted	2022-08-02
dc.identifier.citation	[1] blockcast.it.(2022).(https://blockcast.it/) [2] circle.com.(2022).(https://www.circle.com/en/) [3] 幣安交易所.(2022).( https://www.binance.com/en) [4] 中央銀行.(2022年6月29日).數位轉型的央行貨幣.(https://www.cbc.gov.tw/tw/cp-302-153094-0954b-1.html) [5] 維基百科.(2022年1月26日).維基百科-機器學習.(https://zh.wikipedia.org/zh-tw/機器學習) [6] scikit-learn.(2022). Decision Trees #classification.(https://scikit-learn.org/stable/modules/tree.html#classification) [7] scikit-learn.(2022).Clustering #k-means.(https://scikit-learn.org/0.19/modules/clustering.html#k-means) [8] SethBling.(2015年6月14日). MarI/O - Machine Learning for Video Games.(https://www.youtube.com/watch?v=qv6UVOQ0F44) [9] 維基百科.(2022年5月25日).維基百科-支援向量機.(https://zh.wikipedia.org/zh-tw/支援向量機) [10] 維基百科.(2022年6月21日). 維基百科-隨機森林.(https://zh.wikipedia.org/zh-tw/隨機森林) [11] XGBoost.(2021).Introduction to Boosted Trees.(https://xgboost.readthedocs.io/en/stable/tutorials/model.html) [12] 維基百科.(2022年3月21日).維基百科-技術分析.(https://zh.m.wikipedia.org/zh-tw/技術分析) [13] 維基百科.(2022年2月17日).維基百科-移動平均.(https://zh.wikipedia.org/wiki/移動平均) [14] 維基百科.(2022年2月19日). 維基百科-MACD.(https://zh.wikipedia.org/wiki/MACD) [15] 維基百科.(2022年1月29日).維基百科-相對強弱指數.(https://zh.wikipedia.org/wiki/相對強弱指數) [16] 維基百科.(2022年2月17日).維基百科-KD指標.https:/zh.wikipedia.org/wiki/KD指標) [17] 維基百科.(2022年6月24日).維基百科-布林帶.(https://zh.wikipedia.org/zh-tw/布林帶) [18] 沈沛瑄.(2020).以LSTM 結合二次交易策略預測ETF 50 股價趨勢 [19] Kernc. (2022年5月27日). github - kernc /backtesting.py(https://github.com/kernc/backtesting.py)
dc.identifier.uri	http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/86688	-
dc.description.abstract	本研究以比特幣價格預測為標的，運用XGBoost (extreme gradient boosting)機器學習演算法，透過大量歷史的價格資料，添加常見的技術指標特徵，藉由模型的訓練，預測未來的價格。本論文提出「三次交易順勢策略」，對比買進後持有及其他常見的技術指標交易策略報酬率為佳。	zh_TW
dc.description.abstract	This thesis predicts bitcoin prices using the XGBoost (extreme gradient boosting) machine learning algorithm and common technical indicators. It then proposes the three-consecutive-signal trading strategy with same path strategy, which compares favorably with the buy-and-hold and other common technical indicator trading strategies.	en
dc.description.provenance	Made available in DSpace on 2023-03-20T00:11:22Z (GMT). No. of bitstreams: 1 U0001-2707202222312700.pdf: 2915178 bytes, checksum: 287c346de78ccf7651984f6da1046133 (MD5) Previous issue date: 2022	en
dc.description.tableofcontents	中文摘要 I ABSTRACT II 目錄 III 圖目錄 VI 表目錄 VII 第一章、緒論 1 第一節、研究動機 1 第二節、論文架構 2 第二章、背景知識 3 第一節、機器學習 3 1. 監督學習 3 2. 非監督學習 3 3. 強化學習 4 第二節、支援向量機(SVM) 4 第三節、隨機森林(random forest) 5 第四節、 XGBoost 5 第五節、常用技術指標簡介 6 1. 指數移動平均(EMA) 6 2. 指數平滑異同移動平均(MACD) 7 3. 相對強弱指數(RSI) 8 4. KD指標 8 5. 布林通道(Bband) 9 第六節、交易所買賣及手續費 10 第七節、相關論文研究 10 第三章、研究方法 12 第一節、研究流程 12 第二節、環境設置 12 1. 硬體環境 12 2. 軟體環境 13 第三節、資料準備及相關範圍限制 13 第四節、資料整理 15 1. 資料獲取 15 2. 資料檢查及調整 15 3. 添加技術指標 15 4. 資料設定及分割 16 第五節、模型訓練 18 1. 支援向量機 18 2. 隨機森林 19 3. XGboost 19 第六節、交易策略應用 20 1. 買進後持有 20 2. 二次交易策略 20 3. 三次交易策略 23 4. 三次交易順勢策略 25 5. 指數移動平均快慢線策略 27 6. 指數平滑異同移動平均突破策略 27 7. 相對強弱指數策略 27 8. KD指標策略 27 9. 布林通道策略 27 第四章、實驗結果 28 第一節、模型訓練結果模型比較 28 第二節、各種交易策略結果比較 30 1. 買進後持有 30 2. 二次交易策略 30 3. 三次交易策略 33 4. 三次交易順勢策略 35 5. 指數移動平均快慢線策略 37 6. 指數平滑異同移動平均突破策略 39 7. 相對強弱指數策略 41 8. KD指標策略 43 9. 布林通道策略 45 10. 各種交易策略結果比較 47 第三節、交易策略改良 48 1. 二次交易策略可空單 48 2. 三次交易策略可空單 50 3. 三次交易順勢策略可空單 52 第五章、結論與未來研究方向 55 第一節、結論 55 第二節、未來研究方向 55 參考文獻 57
dc.language.iso	zh-TW
dc.subject	價格預測	zh_TW
dc.subject	比特幣	zh_TW
dc.subject	機器學習	zh_TW
dc.subject	XGBoost	zh_TW
dc.subject	價格預測	zh_TW
dc.subject	交易策略	zh_TW
dc.subject	比特幣	zh_TW
dc.subject	機器學習	zh_TW
dc.subject	XGBoost	zh_TW
dc.subject	交易策略	zh_TW
dc.subject	machine learning	en
dc.subject	XGBoost	en
dc.subject	bitcoin	en
dc.subject	price prediction	en
dc.subject	trading strategy	en
dc.subject	XGBoost	en
dc.subject	machine learning	en
dc.subject	bitcoin	en
dc.subject	price prediction	en
dc.subject	trading strategy	en
dc.title	使用XGboost預測加密貨幣價格及設計交易策略	zh_TW
dc.title	Cryptocurrency Price Prediction and Trading Strategy Designs Using XGboost	en
dc.type	Thesis
dc.date.schoolyear	110-2
dc.description.degree	碩士
dc.contributor.oralexamcommittee	陸裕豪(U Hou Lok),金國興(Gow-Hsing King)
dc.subject.keyword	XGBoost,機器學習,比特幣,價格預測,交易策略,	zh_TW
dc.subject.keyword	XGBoost,machine learning,bitcoin,price prediction,trading strategy,	en
dc.relation.page	58
dc.identifier.doi	10.6342/NTU202201804
dc.rights.note	同意授權(全球公開)
dc.date.accepted	2022-08-03
dc.contributor.author-college	電機資訊學院	zh_TW
dc.contributor.author-dept	資訊工程學研究所	zh_TW
dc.date.embargo-lift	2022-08-10	-
顯示於系所單位：	資訊工程學系

文件中的檔案：

檔案	大小	格式
U0001-2707202222312700.pdf	2.85 MB	Adobe PDF	檢視/開啟

顯示文件簡單紀錄

系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。