App-Based Forecasting of CRIX Index Returns using R and R-Shiny

Abstract

Das Ziel dieser Masterarbeit ist ein Modell zu entwickeln, der dazu in der Lage ist, Naive und Mean Benchmarks bei einer eintägige Prognose der Log Returns des CRIXs (Cryptocurrency IndeX). Unterschiedliche Modelle sind angewendet worden und nach ihre Leistung getestet. Ein LSTM-Modell ist am Ende gewählt worden. Dieses Modell hat bessere Ergebnisse als die Naive und Mean Benchmarks bei Cross-Validation Mean Absolute Error gezeigt. Es hat auch bessere Leistung bei Daten gezeigt, die nicht für das Trainieren oder die Wahl des Modells benutzt worden sind. Ein zweites Ziel dieser Masterarbeit war die Einbindung der Ergebnisse in einer R-basierte Web Anwendung, die den Einsatz des Modells vereinfachen sollte. Alle Beobachtungen des CRIXs sind benutzt worden für das Trainieren oder Testen des Modells. Die Anwendung ist unter https://github.com/QuantLet/CRIXForecastApp zu finden.

Alternate abstract:

The aim of this master's thesis is to develop a model that is capable of performing naive and mean benchmarks with a one-day forecast of the log returns of the CRIX (Cryptocurrency IndeX). Different models have been used and tested for their performance. An LSTM model was ultimately chosen. This model has shown better results than the Naive and Mean benchmarks on Cross-Validation Mean Absolute Error. It has also shown better performance on data that has not been used for training or model choice. A second goal of this master's thesis was the integration of the results in an R-based web application, which should simplify the use of the model. All of the observations made by the CRIX have been used to train or test the model. The application can be found at https://github.com/QuantLet/CRIXForecastApp.