近年來，深度學習技術蓬勃發展，許多學者將其應用在各項領域上，使一般機器學習方法開始出現沒落的趨勢，然而深度學習方法需要高階硬體才能有效的運作，在中等複雜度的問題像是股價或是虛擬貨幣的預測上何者能有較好的效果並沒有一個定論。因此，本研究以比特幣作為研究標的，資料來源取自於雅虎財金，研究期間為2016年至2020年交易日資料包含(開盤價、收盤價、最高價、最低價和多種技術指標)，將2016年至2019年日資料作為訓練資料預測2020年的比特幣價格，使用6種機器學習模型包含(隨機森林、極限梯度提升、支援向量回歸、K-鄰近、線性回歸、類神經網路)和2種深度學習模型包含(循環神經網路、長短期神經網路)作為預測模型，探究何者在比特幣價格的預測上能取得較好的成果，並以實作多種模型的方式呈現研究結果，本研究結果顯示，線性回歸和極限梯度提升的預測效果最好，深度學習在本實驗中雖不是最佳模型，和隨機森林、K-鄰近相比深度學習的效能是較好的。

In recent years, deep learning technology has developed rapidly. Many scholars have applied it in various fields, so that machine learning is on the decline. However, deep learning require the high-end hardware to operate effectively.It is an open question to compare which is better to predict stock price and virtual currency in medium-complexity problems.This research takes Bitcoin as the research target, and the data source is taken from yfinance. The research period is from 2016 to 2020. The data includes (opening price, closing price, highest price, lowest price and a variety of technical indicator), using the daily data from 2016 to 2019 as training data to predict the Bitcoin price in 2020, using six different machine learning models including (Random Forest, Xgboost, Support Vector Regression, K-nearest Neighbors, Linear Regression, Artificial Neural Network) and two deep learning models including (Recurrent Neural Network, Long-term and Short-term Neural Network) as prediction models. The final goal is to implement a variety of models and see which one can achieve better results in Bitcoin price prediction. The results of this study show that the prediction effect of linear egression and xgboost is the best. Although deep learning is not the best model in this experiment, compared with random forest and KNN, it has better results.

目錄
中文摘要 I
Abstract II
謝辭 III
表目錄 VI
圖目錄 VII
第一章 緒論 1
第一節 研究背景、動機與目的 1
第二章 文獻探討 3
第一節 機器學習概述 3
I. 決策樹(Decision Tree，DT) 3
II. 隨機森林(Random Forest，RF) 4
III. 極限梯度提升(Xgboost，XG) 4
IV. 線性回歸(Linear Regression，LR) 5
V. 支援向量機(Support Vector Regression，SVR) 5
VI. K-近鄰演算法( K Nearest Neighbor，KNN) 6
VII. 類神經網路(Artificial Neural Network，ANN) 7
第二節 深度學習概述 8
I. 循環神經網路(Recurrent Neural Network，RNN) 8
II. 長短期記憶類神經網路（Long Short-Term Memory，LSTM） 9
第三節 其他相關文獻探討 9
第三章 研究方法 11
3.1研究樣本與資料來源 12
3.2技術指標介紹 12
I. 移動平均線(Moving Average，MA) 12
II. 指數平滑異同移動平均線(Moving Average Convergence Divergence， MACD) 13
III. 隨機指標（Stochastic Oscillator，KD） 13
IV. 相對強弱指標(Relative Strength Index，RSI) 14
V. 威廉指標(William’s Oscillator，WILLR) 14
VI. 布林通道(Bollinger Bands，BBANDS) 14
3.3資料預處理 16
3.4模型參數 17
3.5評估方法 18
第四章 實證結果 19
4.1實驗環境 19
4.2實驗結果 19
第五章 結論 42
5.1結論 42
5.2未來展望 43
Reference 44
附錄 46
表目錄
表格 1輸入變數表 15
表格 2 模型參數 17
表格 3 RF不同移動式窗天數比較 22
表格 4 XG不同移動式窗天數比較 24
表格 5 SVR不同移動視窗天數比較 27
表格 6 KNN不同移動視窗天數比較 29
表格 7 LR不同移動視窗天數比較 32
表格 8 ANN不同移動視窗天數比較 35
表格 9 RNN不同移動視窗天數比較 37
表格 10 LSTM不同移動視窗天數比較 40
表格 11 模型最佳預測結果 41
表格 12 2021年6月至2022年5月比特幣預測誤差 46
圖目錄
圖 1決策樹示意圖 3
圖 2隨機森林示意圖 4
圖 3線性回歸示意圖 5
圖 4支援向量回歸示意圖 6
圖 5K鄰近示意圖 6
圖 6類神經網路示意圖 7
圖 7循環神經網路示意圖 8
圖 8長短期記憶神經網路示意圖 9
圖 9論文架構圖 11
圖 10RF_1日移動視窗趨勢圖 20
圖 11RF_3日移動視窗趨勢圖 20
圖 12 RF_5日移動視窗趨勢圖 21
圖 13 RF_7日移動視窗趨勢圖 21
圖 14XG_1日移動視窗趨勢圖 22
圖 15 XG_3日移動視窗趨勢圖 23
圖 16 XG_5日移動視窗趨勢圖 23
圖 17XG_7日移動視窗趨勢圖 24
圖 18 SVR_1日移動視窗趨勢圖 25
圖 19 SVR_3日移動視窗趨勢圖 25
圖 20 SVR_5日移動視窗趨勢圖 26
圖 21 SVR_7日移動視窗趨勢圖 26
圖 22 KNN_1日移動視窗趨勢圖 27
圖 23 KNN_3日移動視窗趨勢圖 28
圖 24 KNN_5日移動視窗趨勢圖 28
圖 25 KNN_7日移動視窗趨勢圖 29
圖 26LR_1日移動視窗趨勢圖 30
圖 27LR_3日移動視窗趨勢圖 31
圖 28LR_5日移動視窗趨勢圖 31
圖 29LR_7日移動視窗趨勢圖 32
圖 30ANN_1日移動視窗趨勢圖 33
圖 31ANN_3日移動視窗趨勢圖 33
圖 32ANN_5日移動視窗趨勢圖 34
圖 33ANN_7日移動視窗趨勢圖 34
圖 34RNN_1日移動視窗趨勢圖 35
圖 35RNN_3日移動視窗趨勢圖 36
圖 36RNN_5日移動視窗趨勢圖 36
圖 37RNN_7日移動視窗趨勢圖 37
圖 38LSTM_1日移動視窗趨勢圖 38
圖 39LSTM_3日移動視窗趨勢圖 39
圖 40LSTM_5日移動視窗趨勢圖 39
圖 41LSTM_7日移動視窗趨勢圖 40

一、中文部分
蕭仲君，使用技術指標預測比特幣價格之研究，國立東華大學資訊管理碩士學位論文，2018
二、英文部分
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning: MIT press.
Detzel, A., Liu, H., Strauss, J., Zhou, G., & Zhu, Y. (2018). Bitcoin: Predictability and profitability via technical analysis. SSRN Electronic Journal, 1-35.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning: MIT press.
Huang, Z., Xu, W., & Yu, K. (2015). Bidirectional LSTM-CRF models for sequence tagging. arXiv preprint arXiv:1508.01991.

Ji, S., Kim, J., & Im, H. (2019). A comparative study of bitcoin price prediction using deep learning. Mathematics, 7(10), 898.

Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.

Karasu, S., Altan, A., Saraç, Z., & Hacioğlu, R. (2018). Prediction of Bitcoin prices with machine learning methods using time series data. Paper presented at the 2018 26th signal processing and communications applications conference (SIU).

Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN–LSTM model for gold price time-series forecasting. Neural computing and applications, 32(23), 17351-17360.

Mehtab, S., & Sen, J. (2020). A time series analysis-based stock price prediction using machine learning and deep learning models. International Journal of Business Forecasting and Marketing Intelligence, 6(4), 272-335.

Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning: MIT press.

Nabipour, M., Nayyeri, P., Jabani, H., Shahab, S., & Mosavi, A. (2020). Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data; a comparative analysis. IEEE Access, 8, 150199-150212.

Raschka, S., & Mirjalili, V. (2017). Python Machine Learning: Machine Learning and Deep Learning with Python. Scikit-Learn, and TensorFlow. Second edition ed.
Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. (2020). Stock closing price prediction using machine learning techniques. Procedia Computer Science, 167, 599-606.