prikaz prve stranice dokumenta Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta
Access restricted to students and staff of home institution
professional thesis
Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta
završni rad
2022. urn:nbn:hr:124:554610
Kalinić Miličević, Tea
University of Split
Faculty of economics Split

Cite this document

Kalinić Miličević, T. (2022). Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad (Professional thesis). Split: University of Split, Faculty of economics Split. Retrieved from https://urn.nsk.hr/urn:nbn:hr:124:554610

Kalinić Miličević, Tea. "Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad." Professional thesis, University of Split, Faculty of economics Split, 2022. https://urn.nsk.hr/urn:nbn:hr:124:554610

Kalinić Miličević, Tea. "Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad." Professional thesis, University of Split, Faculty of economics Split, 2022. https://urn.nsk.hr/urn:nbn:hr:124:554610

Kalinić Miličević, T. (2022). 'Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad', Professional thesis, University of Split, Faculty of economics Split, accessed 15 April 2024, https://urn.nsk.hr/urn:nbn:hr:124:554610

Kalinić Miličević T. Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad [Professional thesis]. Split: University of Split, Faculty of economics Split; 2022 [cited 2024 April 15] Available at: https://urn.nsk.hr/urn:nbn:hr:124:554610

T. Kalinić Miličević, "Primjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad", Professional thesis, University of Split, Faculty of economics Split, Split, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:124:554610

Metadata
TitlePrimjena klasifikacijskih algoritama strojnog učenja za predviđanje smjera kretanja cijena kriptovaluta : završni rad
Title (english)Predicting cryptocurrencies price direction using machine learning classification algorithms
AuthorTea Kalinić Miličević
MentorBranka Marasović (mentor)
MBZ: 274372
Committee memberMario Jadrić (predsjednik povjerenstva)
MBZ: 292585
GranterUniversity of Split
Faculty of economics Split
Split
Defense date and country2022, Croatia
Scientific / art field,
discipline and subdiscipline		SOCIAL SCIENCES
Economics
Quantitative Economics
Abstract
Cilj ovog istraživanja je postići uvid u razlike prediktivnih sposobnosti odabranih klasifikacijskih algoritama strojnog učenja primijenjenih na predviđanje smjera cijena različitih kriptovalutama i na osnovu različitih skupova značajki. U analizu su uključene kriptovalute koje su na datum 27.5.2021. zauzimale prvih pet mjesta po tržišnoj kapitalizaciji, a to su redom: bitcoin, ether, tether, binance coin i cardano. Klasifikacijski algoritmi korišteni u analizi su Logistička regresija, Gauss naivni Bayesov klasifikator i stroj potpornih vektora. Rezultati analize pokazuju da ipak postoje slučajevi kada različiti klasifikacijski algoritmi postižu istu točnost na istom skupu primjera kao i slučajevi kada jedan klasifikacijski algoritam postiže istu točnost na različitim skupovima primjera. Međutim, rezultati analize pokazuju da je smanjivanje skupa primjera kod svih promatranih algoritama rezultiralo promjenom točnosti modela. Najveća ostvarena točnost u analizi iznosi 94,83% i postignuta je primjenom algoritma Logističke regresije na bitcoin bazu podataka koja uključuje podatke o trgovanju u periodu između 1.10.2017. do 26.5.2021.
Abstract (english)
The aim of this papir is to gain insight into the differences in predictive capabilities of selected machine learning classification algorithms applied to predict the direction of prices of different cryptocurrencies and based on different sets of features. The analysis includes cryptocurrencies dated 27.5.2021. ranked in term of market capitalization, namely: Bitcoin, Ether, Tether, Binance Coin and Cardano. The classification algorithms used in the analysis are Logistic Regression, the Gaussian naive Bayesian classifier, and the Support Vector Machine. The results of the analysis show that there are still cases when different classification algorithms achieve the same accuracy on the same set of examples as well as cases when one classification algorithm achieves the same accuracy on different sets of examples. However, the results of the analysis show that the reduction of the set of examples in all observed algorithms resulted in a change in the accuracy of the model. The highest achieved accuracy in the analysis is 94.83% and was achieved by applying the Logistic Regression algorithm to the bitcoin database, which includes trading data in the period between 1.10.2017. to 26.5.2021.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:124:554610
Study programmeTitle: Postgraduate doctoral study programme in Economics and Business
Study programme type: university
Study level: postgraduate specialist
Academic / professional title: sveučilišni/a specijalist/specijalistica poslovne ekonomije (sveučilišni/a specijalist/specijalistica poslovne ekonomije)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2023-02-09 12:32:27