Cryptocurrency price prediction using LSTM neural networks
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Dosiadis, Ioannis | |
| dc.contributor.author | Δοσιάδης, Ιωάννης | |
| dc.date.accessioned | 2024-10-15T07:53:29Z | |
| dc.date.available | 2024-10-15T07:53:29Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16845 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4267 | |
| dc.description.abstract | Τα κρυπτονομίσματα έχουν αυξήσει το ενδιαφέρον, μεταξύ όλων των ανθρώπων και κυρίως των επενδυτών. Περισσότερο από όλα τα υπόλοιπα κρυπτονομίσματα, το Bitcoin παρουσιάζει το υψηλότερο ποσοστό αστάθειας των τιμών, λόγω πολλών πολιτικών και οικονομικών λόγων που καθιστούν δύσκολη την πρόβλεψη της τροχιάς. Ως εκ τούτου, αυτή η έρευνα προσπαθεί να ανακαλύψει την αποτελεσματικότητα ενός νευρωνικού δικτύου LSTM που έχει υποστεί προεπεξεργασία με ορισμένα δεδομένα στην πρόβλεψη των τιμών κλεισίματος της επόμενης ημέρας του Bitcoin. Από τα αποτελέσματά μας, το μοντέλο LSTM ήταν σε θέση να προβλέψει αποτελεσματικά τις τιμές του Bitcoin με μέσο απόλυτο ποσοστό σφάλματος (MAPE) 0,07. Επιπλέον, εφαρμόστηκαν τυποποίηση και κανονικοποίηση, αυξάνοντας την προγνωστική του ισχύ για το μοντέλο πάρα πολύ. | el |
| dc.format.extent | 53 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/gr/ | * |
| dc.title | Cryptocurrency price prediction using LSTM neural networks | el |
| dc.title.alternative | Πρόβλεψη τιμής κρυπτονομίσματος με LSTM νευρωνικά δίκτυα | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Cryptocurrencies have been growing in interest, among all sorts of people and mostly investors. Above all cryptocurrencies, Bitcoin shows the highest amount of price volatility, driven by numerous political and economic reasons that make the trajectory hard to predict. Therefore, this paper tries to find out the efficiency of an LSTM neural network pre-processed with some data in forecasting the next day closing prices of Bitcoin. From our results, this LSTM model was able to efficiently predict the prices of Bitcoin with a mean absolute percentage error of 0.07. Moreover, standardization and normalization were applied, elevating its predictive power for the model enormously. | el |
| dc.subject.keyword | Πρόβλεψη | el |
| dc.subject.keyword | Κρυπτονομίσματα | el |
| dc.subject.keyword | LSTM | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Προεπεξεργασία δεδομένων | el |
| dc.date.defense | 2024-09-03 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα