| dc.contributor.advisor | Κοκορέ, Ιωάννα | |
| dc.contributor.author | Δημητρίου, Μαρία | |
| dc.date.accessioned | 2023-05-15T10:50:55Z | |
| dc.date.available | 2023-05-15T10:50:55Z | |
| dc.date.issued | 2022-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15401 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2823 | |
| dc.description.abstract | Λόγω της αυξανόμενης δημοτικότητάς τους και της εμπορικής αποδοχής τους, τα κρυπτονομίσματα διαδραματίζουν ολοένα και πιο ουσιαστικό ρόλο στην αλλαγή του χρηματοπιστωτικού συστήματος. Ενώ πολλοί άνθρωποι επενδύουν σε κρυπτονομίσματα, τα δυναμικά χαρακτηριστικά και η προβλεψιμότητα τους εξακολουθούν να είναι σε μεγάλο βαθμό άγνωστα, θέτοντας σε κίνδυνο τις επενδύσεις. H μηχανική μάθηση καλείται να αντιμετωπίσει το πρόβλημα πρόβλεψης αυτών των νομισμάτων. Πολλές έρευνες προσπαθούν να εντοπίσουν το καλύτερο μοντέλο για την πρόβλεψη της τιμής του Bitcoin, ως το ισχυρότερο, αφήνοντας ένα σημαντικό ερευνητικό κενό στην πρόβλεψη και των υπολοίπων κρυπτονομισμάτων. Μία ολοκληρωμένη έρευνα θα εντοπίσει το καλύτερο δυνατό μοντέλο εφαρμογής στην χρονοσειρά τιμών και θα εξάγει σημαντικά συμπεράσματα στον τομέα των προβλέψεων.
Σε αυτή την εργασία, επιχειρούμε να προβλέψουμε την τιμή τεσσάρων κρυπτονομισμάτων (Bitcoin, Ethereum, Ripple και Tether) λαμβάνοντας υπόψη ποικιλία παραγόντων που επηρεάζουν την αξία τους με την υψηλότερη δυνατή ακρίβεια. Σαν μέθοδοι πρόβλεψης επιλέχθηκαν τρία διαφορετικής λογικής μοντέλα. Με την βοήθεια της Pyhton και των βιβλιοθηκών της εφαρμόστηκαν στα δεδομένα των χρονοσειρών το παραδοσιακό μοντέλο αυτοπαλίνδρομου ολοκληρωμένου κινούμενου μέσου όρου (ARIMA), το επαναλαμβανόμενο νευρωνικό δίκτυο βραχυπρόθεσμης και μακροπρόθεσμης μνήμης (LSTM) και το μοντέλο δομής δένδρου αποφάσεων τυχαίου δάσους (Random Forest). Οι προβλέψεις δοκιμάστηκαν στα πραγματικά δεδομένα της χρονοσειράς και εφαρμόστηκε ο δείκτης ρίζας του μέσου τετραγωνικού σφάλματος (RMSE) για την αξιολόγηση και σύγκριση των μοντέλων.
«Μπορεί το όνειρο των ερευνητών και επενδυτών για πρόβλεψη της τιμής των κρυπτονομισμάτων να γίνει ένα ρεαλιστικό σενάριο;». Ενώ η παραδοσιακή μέθοδος Arima και η μέθοδος δένδρων απόφασης Random Forest δεν παρείχαν ικανοποιητικές προβλέψεις, το μοντέλο LSTM εμφάνισε ελπιδοφόρα αποτελέσματα. Το μοντέλο LSTM μπορεί να διατηρήσει προηγούμενες πληροφορίες, οι οποίες μπορούν να βοηθήσουν σημαντικά στη βελτίωση της ικανότητας του μοντέλου να μαθαίνει ακολουθίες σημάτων και εγγενή μη γραμμικά μοτίβα. | el |
| dc.format.extent | 112 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Μοντελοποίηση και βραχυπρόθεσμη πρόβλεψη των τιμών χρονοσειράς κρυπτονομισμάτων, χρησιμοποιώντας τεχνικές μηχανικής μάθησης | el |
| dc.title.alternative | Modeling and short term forecasting of cryptocurrency time series prices using machine learning techniques | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Οικονομικών, Επιχειρηματικών και Διεθνών Σπουδών. Τμήμα Οικονομικής Επιστήμης | el |
| dc.description.abstractEN | Due to their growing popularity and commercial acceptance, cryptocurrencies are playing an increasingly essential role in changing the financial system. While many people invest in cryptocurrency, the dynamic characteristics and predictability of them are still largely unknown, putting investments at risk. Machine learning is called upon to tackle the problem of predicting these currencies. Many researches are trying to identify the best model for predicting the price of Bitcoin, as the strongest one, leaving a significant research gap in the prediction of other cryptocurrencies as well. A comprehensive investigation will identify the best possible model with remarkable results in the forecast field.
In this paper, we attempt to predict the price of four cryptocurrencies (Bitcoin, Ethereum, Ripple and Tether) taking into account a variety of factors that affect their value with the highest possible accuracy. Three models of different logic were chosen as prediction methods. With the help of Python and its libraries, the traditional Autoregressive Integrated Moving Average (ARIMA) model, the Long Short-Term Memory model (LSTM) and the decision tree structure model Random Forest (RF) were applied to the time series data. The predictions were tested on the real time series data and the root mean square error (RMSE) was applied to evaluate and compare the models.
"Can researchers and investors' dream of cryptocurrency price prediction become a realistic scenario?". While the traditional Arima method and the RF decision tree method did not provide satisfactory predictions, the LSTM model showed promising results. The LSTM model can retain prior information, which can greatly help improve the model's ability to learn signal sequences and inherent non-linear patterns. | el |
| dc.contributor.master | Οικονομική και Επιχειρησιακή Στρατηγική | el |
| dc.subject.keyword | Κρυπτονομίσματα | el |
| dc.subject.keyword | Μοντέλα πρόβλεψης | el |
| dc.subject.keyword | Ανάλυση χρονοσειράς | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.date.defense | 2023-05-09 | |
