FenixEdu™

Dissertação

{en_GB=Using the Order Book and Machine Learning for Cryptocurrency Trading} {} EVALUATED

Detalhes: {pt=Esta tese apresenta uma nova abordagem computacional para otimização de lucro em transações com criptomoedas, utilizando dados de negociação e de ordens de uma grande plataforma de negociação de ativos digitais de quatro moedas digitais (Bitcoin, Ethereum, Litecoin e Bitcoin Cash). Uma solução completa foi projetada, começando com a geração da base de dados, extração de informações, algoritmo de negociação, simulação e terminando com um relatório dinâmico dos resultados. Todas as partes do sistema estão inseridas numa arquitetura de microsserviços para garantir que sejam componentes escaláveis, encapsulados e com um âmbito bem definido. Três casos de uso são considerados para o sistema de negociação onde os dois primeiros usam a variação do volume do livro de ordens para avaliar períodos de negociação adequados, enquanto o último usa um modelo ARIMA para prever a tendência dos preços e, consequentemente, servir como um mecanismo de verificação para os dois primeiros casos de teste durante uma simulação. Além disso, um novo tipo de controlo de posições chamado Percentage Stop Order é introduzido, permitindo a melhoria do lucro. Períodos de teste mensais foram usados juntamente com diferentes tipos de posições de negociação para todos os cenários de teste, para encontrar a estratégia com melhor desempenho de acordo com a situação do mercado. Os resultados obtidos conseguiram superar os ganhos da estratégia Buy & Hold até 22,72% e reduzir as perdas em 33,24%., en=This thesis presents a new computational approach for proﬁt optimization on cryptocurrency trading, using trade and order book data from a major digital asset trading platform of four digital currencies (Bitcoin, Ethereum, Litecoin and Bitcoin Cash) in the United States Dollar (USD) and Euro (EUR) markets. An end-to-end solution was designed, starting with the database generation, information extraction, trading algorithm, simulation and ending with a dynamic report of the results. All the parts of the system are designed in a microservice architecture to ensure that they are scalable, strongly encapsulated and tightly scoped components. Three use cases where considered for the trading system where the ﬁrst two use order book volume variation to assess suitable trading periods whilst the last one uses an ARIMA model to forecast price ﬂuctuation and consequently serve as a veriﬁcation mechanism to the ﬁrst two test cases during a simulation. Furthermore, a new type of trailing stop called Percentage Stop Order is introduced, allowing proﬁt improvement. Monthly test periods were used alongside different types of trading positions to all test scenarios to ﬁnd the most performing strategy according to the market’s situation. The results obtained managed to surpass the gains from the Buy & Hold strategy up to 22,72% and reducing losses up to 33,24%.}
Keywords: {pt=Criptomoeda, Livro de Ordens, ARIMA, Microsserviços., en=Cryptocurrency, Order Book, ARIMA, Microservices.}

Discussão: junho 7, 2019, 11:0