Koneoppimispohjainen kryptovaluuttojen hinnanennustus (YAMK-päättötyö)

Tässä itsenäisessä YAMK-päättötyössä selvitettiin tieteellisen tarkasti kryptovaluuttojen hinnanliikkeiden ennustettavuutta historiallisesta datasta laajojen koneoppimiskokeiden avulla. Kyseessä oli erittäin kunnianhimoinen feature engineering- ja ML-projekti, jonka tekninen toteutus jaettiin kahteen osaan: 1. Datan käsittely ja piirteiden louhinta (Feature Engineering): C# ja .NET Core -sovellus latasi viiden kryptovaluutan tuntitason hintahistoriat PostgreSQL-tietokantaan. Hyödyntäen Skender.Stock.Indicators- ja OoplesFinance.StockIndicators-kirjastoja sovellus laski 96 eri teknistä indikaattoria. Tämän lisäksi kynttiläkuvioiden (yli 100 erilaista candlestick-patternia) tunnistuslogiikka ohjelmoitiin itse suoraan C#:lla. 2. Koneoppimisputki (Machine Learning): Pythonilla, Jupyter-ympäristössä ja PyCaret AutoML -kirjastolla luotiin kattava testauskehikko, jolla ajettiin: - 5 luokittelutehtävää (classification) käyttäen 15 eri mallia - 4 regressiotehtävää (regression) käyttäen 19 eri mallia - useita eri sliding window -kokoja, ennustushorisontteja sekä erikokoisia feature-joukkoja optimaalisuuden arvioimiseksi. Tutkimuksen keskeisenä, empiirisenä lopputuloksena todettiin, että pelkistä historiallisista hinnoista lasketut tekniset indikaattorit tai kynttiläkuviot eivät riitä luotettavaan ennustamiseen, vaan tulosten parantamiseksi malleihin tulisi integroida lisäpiirteitä, kuten markkinoiden sentimenttianalyysiä.