The predictive power of the Ethereum transaction network

Today, there are more than 1,500 traded cryptocurrencies with a combined market capitalization exceeding 800$ billions. These numbers are still growing as well as the interest of some investor in this market. Cryptocurrencies were rst devised as a payment method, but the large uctuations in the pric...

Descripción completa

Detalles Bibliográficos
Autor: Grande Toledano, María del Mar
Tipo de recurso: tesis de maestría
Fecha de publicación:2020
País:España
Institución:Universitat Oberta de Catalunya (UOC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/118926
Acceso en línea:http://hdl.handle.net/10609/118926
Access Level:acceso abierto
Palabra clave:complex networks
machine learning
cryptocurrency
redes complejas
aprendizaje automático
criptomoneda
xarxes complexes
aprenentatge automàtic
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
id ES_0d09cd99ec6d26a2a4c4fe1470a70f65
oai_identifier_str oai:openaccess.uoc.edu:10609/118926
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv The predictive power of the Ethereum transaction network
title The predictive power of the Ethereum transaction network
spellingShingle The predictive power of the Ethereum transaction network
Grande Toledano, María del Mar
complex networks
machine learning
cryptocurrency
redes complejas
aprendizaje automático
criptomoneda
xarxes complexes
aprenentatge automàtic
criptomoneda
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
title_short The predictive power of the Ethereum transaction network
title_full The predictive power of the Ethereum transaction network
title_fullStr The predictive power of the Ethereum transaction network
title_full_unstemmed The predictive power of the Ethereum transaction network
title_sort The predictive power of the Ethereum transaction network
dc.creator.none.fl_str_mv Grande Toledano, María del Mar
author Grande Toledano, María del Mar
author_facet Grande Toledano, María del Mar
author_role author
dc.contributor.none.fl_str_mv Gómez Jiménez, Sergio
dc.subject.none.fl_str_mv complex networks
machine learning
cryptocurrency
redes complejas
aprendizaje automático
criptomoneda
xarxes complexes
aprenentatge automàtic
criptomoneda
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
topic complex networks
machine learning
cryptocurrency
redes complejas
aprendizaje automático
criptomoneda
xarxes complexes
aprenentatge automàtic
criptomoneda
Machine learning -- TFM
Aprenentatge automàtic -- TFM
Aprendizaje automático -- TFM
description Today, there are more than 1,500 traded cryptocurrencies with a combined market capitalization exceeding 800$ billions. These numbers are still growing as well as the interest of some investor in this market. Cryptocurrencies were rst devised as a payment method, but the large uctuations in the price led to their use as an alternative to the traditional stock market. As with other nancial assets, cryptocurrencies have also captured the attention of the research community. In current literature we can nd many works facing the problem of cryptocurrencies price prediction. Most of them are regression models, market simulations to calculate ROI, or classi cation models to predict the sign of future change. However, anticipating this market is not an easy task and the results obtained still have a high degree of uncertainty. This study contributes to the current literature by analyzing the Ethereum transactions as a complex network. Next, we evaluate its predictive power on Ethereum future price by deploying two predictive models. The rst one considers a set of features that performed well in current literature, such as price of the previous days, technical indicators and volume of tweets mentioning Ethereum. The second model considers the features of the rst model together with the properties computed from the transaction network. We found an increment in the accuracy when considering the properties of the transaction network. In addition, three network's properties appear in the top 11 of most important features in the nal model. We conclude that the properties computed from the transaction network provide additional information that does not exist in the current literature variables.
publishDate 2020
dc.date.none.fl_str_mv 2020
2020
2020
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/118926
url http://hdl.handle.net/10609/118926
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869403317611790336
spelling The predictive power of the Ethereum transaction networkGrande Toledano, María del Marcomplex networksmachine learningcryptocurrencyredes complejasaprendizaje automáticocriptomonedaxarxes complexesaprenentatge automàticcriptomonedaMachine learning -- TFMAprenentatge automàtic -- TFMAprendizaje automático -- TFMToday, there are more than 1,500 traded cryptocurrencies with a combined market capitalization exceeding 800$ billions. These numbers are still growing as well as the interest of some investor in this market. Cryptocurrencies were rst devised as a payment method, but the large uctuations in the price led to their use as an alternative to the traditional stock market. As with other nancial assets, cryptocurrencies have also captured the attention of the research community. In current literature we can nd many works facing the problem of cryptocurrencies price prediction. Most of them are regression models, market simulations to calculate ROI, or classi cation models to predict the sign of future change. However, anticipating this market is not an easy task and the results obtained still have a high degree of uncertainty. This study contributes to the current literature by analyzing the Ethereum transactions as a complex network. Next, we evaluate its predictive power on Ethereum future price by deploying two predictive models. The rst one considers a set of features that performed well in current literature, such as price of the previous days, technical indicators and volume of tweets mentioning Ethereum. The second model considers the features of the rst model together with the properties computed from the transaction network. We found an increment in the accuracy when considering the properties of the transaction network. In addition, three network's properties appear in the top 11 of most important features in the nal model. We conclude that the properties computed from the transaction network provide additional information that does not exist in the current literature variables.Hoy en día, hay más de 1.500 criptodivisas negociadas con una capitalización de mercado combinada que supera los 800 mil millones de dólares. Estas cifras siguen creciendo, así como el interés de algunos inversores en este mercado. Las criptodivisas fueron concebidas por primera vez como un método de pago, pero las grandes fluctuaciones del precio llevaron a su utilización como alternativa al mercado de valores tradicional. Al igual que con otros activos financieros, las criptodivisas también han captado la atención de la comunidad investigadora. En la literatura actual podemos encontrar muchos trabajos que se enfrentan al problema de las cripto-monedas. La mayoría son modelos de regresión, simulaciones de mercado para calcular el retorno de la inversión, o modelos de clasificación para predecir el signo del cambio futuro. Sin embargo, anticipar este mercado no es una tarea fácil y los resultados obtenidos todavía tienen un alto grado de incertidumbre. El estudio contribuye a la literatura actual analizando las transacciones del Ethereum como una red compleja. A continuación, evaluamos su poder de predicción sobre el precio futuro del Ethereum desplegando dos modelos predictivos. El primero considera un conjunto de características que funcionaron bien en las actuaidad, como el precio de los días anteriores, los indicadores técnicos y el volumen de tweets que mencionan el Ethereum . El segundo modelo considera las características del modelo junto con las propiedades calculadas a partir de la red de transacciones. Encontramos un incremento en la precisión al considerar las propiedades de la red de transacciones. Además, tres propiedades de la red aparecen entre las 11 características más importantes del modelo. Concluimos que las propiedades computadas de la red de transacciones proporcionan información adicional que no existe en las variables de la literatura actual. Traducción realizada con la versión gratuita del traductor www.DeepL.com/TranslatorAvui dia, hi ha més de 1.500 criptodivisas negociades amb una capitalització de mercat combinada que supera els 800 mil milions de dòlars. Aquestes xifres continuen creixent, així com l'interès d'alguns inversors en aquest mercat. Les criptodivisas van ser concebudes per primera vegada com un mètode de pagament, però les grans fluctuacions del preu van portar a la seva utilització com a alternativa al mercat de valors tradicional. Igual que amb altres actius financers, les criptodivisas també han captat l'atenció de la comunitat investigadora. En la literatura actual podem trobar molts treballs que s'enfronten al problema de les cripto-monedes. La majoria són models de regressió, simulacions de mercat per a calcular el retorn de la inversió, o models de classificació per a predir el signe del canvi futur. No obstant això, anticipar aquest mercat no és una tasca fàcil i els resultats obtinguts encara tenen un alt grau d'incertesa. L'estudi contribueix a la literatura actual analitzant les transaccions del Ethereum com una xarxa complexa. A continuació, avaluem el seu poder de predicció sobre el preu futur del Ethereum desplegant dos models predictius. El primer considera un conjunt de característiques que van funcionar bé en les actualitat, com el preu dels dies anteriors, els indicadors tècnics i el volum de tuits que esmenten el Ethereum . El segon model considera les característiques del model juntament amb les propietats calculades a partir de la xarxa de transaccions. Trobem un increment en la precisió en considerar les propietats de la xarxa de transaccions. A més, tres propietats de la xarxa apareixen entre les 11 característiques més importants del model. Concloem que les propietats computades de la xarxa de transaccions proporcionen informació addicional que no existeix en les variables de la literatura actual.Universitat Oberta de Catalunya (UOC)Gómez Jiménez, Sergio202020202020info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/118926reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)InglésCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1189262026-05-28T12:42:01Z
score 15.301603

Similares en LA Referencia