04283ntm a22005897i 4500 000725048 CZ-PrVSE 20250629141137.0 m d cr n|||||||||| 250629s2025 xr fsbm 000 0 eng d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Kozhevnikov, Vladislav ISIS:172429 dis Techniky strojového učení pro analýzu a prediktivní modelování dynamiky ceny Bitcoinu eng Machine Learning techniques for predictive modeling of Bitcoin price dynamics / Vladislav Kozhevnikov 2025 ?? stran : digital, PDF soubor Vedoucí práce: Adam Čabla Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby This study investigates the application of machine learning techniques for Bitcoin price prediction, addressing the fundamental challenge of forecasting in highly volatile cryptocurrency markets. Using comprehensive daily data spanning 2014-2024, we systematically compare traditional econometric models (Random Walk, ARIMA, Ridge Regression) with advanced machine learning approaches (Random Forest, XGBoost, LSTM) and develop a novel Tiered Temporal Ensemble (TTE) framework. The research incorporates 115 engineered features across four dimensions: technical indicators, on-chain metrics, macroeconomic variables, and sentiment data. Our findings reveal that XGBoost achieves superior risk-adjusted performance with a Sharpe ratio of 1.679 (143% improvement over random walk baseline) and the lowest maximum drawdown of -17.3%. While LSTM demonstrates the highest directional accuracy at 52.4%, it exhibits elevated drawdown risk. Feature importance analysis indicates the dominance of technical indicators and lagged returns (75% of total importance), with on-chain metrics contributing only 10-20%, challenging assumptions about blockchain-specific predictive advantages. The TTE framework reveals pronounced regime-dependent performance, with bull market Sharpe ratios (3.780) dramatically exceeding neutral periods (0.512). However, all models underperform buy-and-hold strategy, highlighting the persistent challenge of market timing in trending assets. These findings contribute to understanding cryptocurrency market efficiency while demonstrating that despite statistically significant improvements, economic significance remains constrained by implementation challenges and market dynamics. Způsob přístupu: Internet data analysis and modeling [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas machine learning finance bitcoin Čabla, Adam, 1985- vse2015897119 ths Šafr, Karel ISIS:79571 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/86458/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/86458 Hlavní práce https://insis.vse.cz/zp/86458/priloha/32327 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32328 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32329 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32330 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32331 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32332 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32333 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32334 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32335 Přiloha k práci https://insis.vse.cz/zp/86458/priloha/32336 Přiloha k práci https://insis.vse.cz/zp/86458/podrobnosti dc:identifier NEPOSILAT VSKP vse86458 250628 86458