Analýza a predikce cen kryptoměn Bitcoin, Ethereum a Binance coin

Lukáš Toman

Bakalářská práce

Anotace:

Cílem této bakalářské práce bylo navrhnout a vyhodnotit model pro predikci cen vybraných kryptoměn (Bitcoin, Ethereum a Binance Coin) na základě historických časových řad z období 2022–2025. Model byl založen na architektuře rekurentní neuronové sítě LSTM (Long Short-Term Memory) a trénován na denních cenových datech. Data byla rozdělena na trénovací a testovací sadu a kvalita predikce byla hodnocena pomocí metrik MAPE (Mean Absolute Percentage Error) a RMSE (Root Mean Squared Error). Výsledky experimentů ukázaly, že nejlepší predikční přesnosti bylo dosaženo u kryptoměny Binance Coin (nejnižší hodnoty MAPE a RMSE), zatímco nejméně přesné byly predikce ceny Etherea. Model dokázal zachytit obecné trendy cenových pohybů všech tří sledovaných kryptoměn, avšak nedokázal předvídat náhlé extrémní výkyvy cen. Tyto nečekané cenové události vedly k výrazným odchylkám v predikci během období vysoké volatility trhu. Mezi klíčová omezení práce patří absence doplňkových vstupních dat, jako je tržní sentiment nebo fundamentální ukazatele, které významně ovlivňují cenu kryptoměn. Model proto pracoval pouze s historickými technickými daty a nezohledňoval neočekávané události (např. regulační změny či technologické inovace). Tato omezení snižují schopnost modelu přesně predikovat prudké tržní změny a naznačují potřebu zahrnutí dalších faktorů pro zlepšení predikčního výkonu.

Abstract:

The aim of this bachelor thesis was to design and evaluate a model for predicting the prices of selected cryptocurrencies (Bitcoin, Ethereum, and Binance Coin) based on historical time-series data from 2022 to 2025. The model was based on a Long Short-Term Memory (LSTM) recurrent neural network architecture and was trained on daily price data. The data were split into training and testing sets, and the prediction quality was evaluated using MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Squared Error) metrics. The experimental results showed that the highest prediction accuracy was achieved for Binance Coin (lowest MAPE and RMSE values), while the least accurate predictions were obtained for Ethereum. The model was able to capture the general trends in the price movements of all three cryptocurrencies; however, it failed to predict sudden extreme price fluctuations. These unexpected price events led to significant prediction errors during periods of high market volatility. Key limitations of the study include the absence of supplementary input data such as market sentiment and fundamental indicators that can significantly influence cryptocurrency prices. As a result, the model relied only on historical technical data and did not account for unforeseen events (e.g., regulatory changes or technological innovations). These limitations reduce the model’s ability to accurately predict sharp market changes and indicate the need to incorporate additional factors to improve predictive performance.

Klíčová slova

Kryptoměny, LSTM, predikce cen, historická data, Bitcoin, Ethereum, Binance coin, Cryptocurrencies, Price prediction, Historical price data

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 10. 12. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 2. 2. 2026
• Vedoucí: doc. Ing. Simona Hašková, Ph.D.
• Oponent: Ing. Adriana Šťastná

Vysoká škola technická a ekonomická v Českých Budějovicích

Bakalářský studijní program / obor:
Podniková ekonomika / Podniková ekonomika