| Summary: | Cryptocurrencies and their pertaining market currently succeeds $300billion and has had an all time high surpassing $850 billion. Being able to predict market movements and future valuations for a cryptocurrency would be an invaluable and very profitable tool for designing successful investment strategies. This thesis compares how time series predictions on the cryptocurrency Ether using a long short-term memory (LSTM) neural network is affected by altering the sampling period. Specifically we look at how the sampling periods of 30 minutes, 2 hours and 4 hours affect a prediction horizon of 4 hours. The results are also verified across a varying number of neurons (10, 20 and 40) for each of the two LSTM layers of the model. The results indicate that the accuracy of predictions can be improved by decreasing the sampling period of data. However there does not seem to be any clear trend how changing the number of neurons per LSTM layer affect prediction accuracy. === Kryptovalutor och deras tillhörande marknad överstiger idag $300 miljarder i marknadsvärde och har tidigare som högst nått $850 miljarder. Att kunna förutspå en valutas värde skulle vara ett mycket viktigt verktyg i en lönsam investeringstrategi. I denna uppstats jämförs hur precisionen för prediktering för en specifik tidshorisont påverkas i ett neuralt nätverk utav samplingsperioden av datan. Mer precist utförs detta med en long short-term memory (LSTM) modell på kryptovalutan Ether. Specifikt undersöks hur en LSTM modells prediktering fyra timmar framåt påverkas genom att ändra samplingsperioden från 4 timmar till 2 timmar och sist 30 minuter. Resultaten valideras även för ett varierande antal neuroner per nätverkslager (10, 20 och 40). Resultaten av denna undersökning indikerar att prediktionernasprecision kan förbättras genom att minska samplingsperioden av datasetet. Däremot syns ingen tydligen trend när antalet neuroner per nätverkslager ändras.
|
|---|
