Optimizing Cryptocurrency Prediction with a Hybrid XGBoost and Random Forest Algorithm Incorporating Embedding and Noise Reduction Tools EVALUATED

Detalhes: Nesta tese apresentamos um algoritmo h´ıbrido inovador para a previsao de criptomoedas que se baseia numa combinação dos modelos XGBoost e Random Forest com três técnicas de redução de deimensionalidade: PCA, LLE e SE. Estas contribuições notáveis englobam o estudo da integração dessas tecnicas com ênfase especial no LLE, que superou o PCA, amplamente utilizado. Além disso, utilizamos o MOO-GA (Algoritmo Genetico para Optimização Multi-Objectivo) para ajustar o modelo e implementámos o DWT (Transformada Wavelet Discreta) para remover ruído e aprimorar a suavização dos dados. Estes resultados demonstram a notavel eficácia do LLE e o impacto positivo do MOO-GA e DWT na melhoria das previsões feitas o mercado de criptomoedas, representando avanços significativos neste campo.

Discussão: novembro 17, 2023, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Manuel António Gaspar Mendes (ist193119)

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar