Просмотр исходного текста страницы Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API 
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор  

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API. 

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.
=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.