| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Κοτταρίδης, Αθανάσιος | |
| dc.date.accessioned | 2023-09-27T05:42:50Z | |
| dc.date.available | 2023-09-27T05:42:50Z | |
| dc.date.issued | 2023-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15739 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3161 | |
| dc.description.abstract | Η πρόβλεψη της τιμής του Bitcoin αποτελεί μια πρόκληση που έχει απασχολήσει μεγάλο μέρος της ερευνητικής κοινότητας τα τελευταία χρόνια. Ο στόχος της παρούσας ερευνητικής εργασίας είναι η δημιουργία μίας κατανεμημένης εφαρμογής που πραγματοποιεί βραχυπρόθεσμη πρόβλεψη της τιμής του Bitcoin σε πραγματικό χρόνο, χρησιμοποιώντας τεχνικές μηχανικής μάθησης, ανάλυσης φυσικής γλώσσας και εξαγωγής συναισθημάτων από αναρτήσεις που έχουν πραγματοποιηθεί στο reddit σχετικά με το Bitcoin. Η εφαρμογή συλλέγει δεδομένα κάθε λεπτό σχετικά με την τιμή του Bitcoin από διάφορες πήγες, τα επεξεργάζεται και τα αποθηκεύει. Στην συνέχεια χρησιμοποιούνται τεχνικές Deep Learning και Νευρωνικών Δικτύων προκειμένου να εξετάσουμε την προβλεψιμότητα της τιμής του Bitcoin σε χρονικούς ορίζοντες που κυμαίνονται από 1 έως 60 λεπτά. Για την εξαγωγή αποτελεσμάτων πραγματοποιήθηκε πρόβλεψη χρησιμοποιώντας multivariate και univariate LSTM μοντέλα τα οποία στη συνέχεια συγκρίναμε με το μοντέλο ARIMA. Τα αποτελέσματα της σύγκρισης έδειξαν ότι το multivariate LSTM αποδίδει πιο ακριβής προβλέψεις. | el |
| dc.format.extent | 64 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Νευρωνικά δίκτυα και εφαρμογές αυτών για την πρόβλεψη τιμής Bitcoin | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Bitcoin price prediction has been an active area of research for a long time. The objective of this research project is to create a large-scale application that performs real-time forecasts to determine the short-term predictability of the Bitcoin in USD by machine learning techniques and sentiment analysis. Our goal is to apply sentiment analysis and supervised machine learning principles to the extracted reddit posts in order to analyze the correlation between bitcoin price movements and sentiments from reddit posts. We used latest technologies in order to create a scalable pipeline that retrieves, preprocess and stores Bitcoin prices every minute. Then we used Deep Learning and Neural networks in order to Predict Bitcoin price prediction across horizons ranging from 1 to 60 min. We analyzed the time series model prediction of bitcoin prices using univariate long short-term memory (LSTM) and multivariate LSTM, and compared both models against ARIMA model. The compression shows that LSTM with multi feature performs more accurate results. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Bitcoin | el |
| dc.subject.keyword | Large-scale application | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Time Series | el |
| dc.subject.keyword | Neural Networks | el |
| dc.date.defense | 2023-03-02 | |
