Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Predicting Price Movement of Bitcoin with Machine Learning Based on Twitter Data
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Förutspå prisändringar på Bitcoin med maskininlärning baserat på data från Twitter (Swedish)
Abstract [en]

In this study, we investigated whether it is possible to predict changes in the price of Bitcoin with machine learning by using relevant relevant data from Twitter. Machine learning and mathematical models are methods used in different areas such as the stock market. This report uses the Long-Short Term Memory method that has the ability to write, read, and forget information from the past and use its memory together with live data to predict the future.

In the past two years, Bitcoin has become very popular and the price has increased more than 1000 percent. Bitcoin is a very speculative asset and because it is a relative new currency, its price is very unstable.

Social media are good sources for analyzing what people think about different things. One of the more popular social media is Twitter which is widely used by people who are interested in cryptocurrencies. There has been made sentiment analysis on data from Twitter using naive prediction models to predict the price change of Bitcoin, but more sophisticated methods of machine learning has not been used for Bitcoin.

By using the method LSTM, predictions were made in four different timeframes from 15 minutes to 24 hours and it was founded that higher timeframes gave approximately 55 percent accuracy. Smaller time periods gave an accuracy of about 45 percent.

Abstract [sv]

I den här studien undersökte vi om det är möjligt att med hjälp av maskininlärning förutse ändringar i priset av Bitcoin genom att hämta relevant data from Twitter. Maskininlärning och matematiska metoder används i olika område som t.ex. aktiemarknaden. I denna rapport används metoden Long-Short Term Memory som har den egenskapen att spara, läsa och glömma information från tidigare steg.

De senaste två åren har Bitcoin blivit väldigt populärt och priset ökade mer än 1000 procent. Bitcoin är mer spekulativt jämfört med andra tillgångar och eftersom den är en relativ ny valuta, priset på den är väldigt instabil.

Sociala medier är bra källor för att analysera vad folk tycker om saker och ett av de mer populära sociala medier är Twitter som används mycket av människor som är intresserade av kryptovalutor. Det har gjorts en del så kallade sentiment analys på Twitter data för att förutse prisförändringen av Bitcoin men mer sofistikerade metoder inom maskininlärning har inte använts för just Bitcoin.

Denna rapport tittade på fyra olika tidsperioder från 15 min till 24 timmar och det har visat sig att högre tidsperioder har gett ett lovande resultat på cirka 55 procent noggrannhet. Mindre tidsperioder har gett en noggrannhet på cirka 45 procent.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:206
Keywords [en]
Machine learning, LSTM, RNN, Twitter, KTH, Predicting, Prediction, Price, Movement, Fluctuation, Bitcoin, Cryptocurrency, Satoshi Nakamoto, Social media, Keras, sentiment analysis, Long term short term memory, Recurrent neural network
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-229784OAI: oai:DiVA.org:kth-229784DiVA, id: diva2:1214460
Subject / course
Computer Science
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2018-11-26 Created: 2018-06-06 Last updated: 2018-11-26Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 332 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf