Bitcoin high frequency trading with Transformers

Marinis, Andreas; Μαρίνης, Ανδρέας

dc.contributor.advisor	Sotiropoulos, Dionisios
dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Marinis, Andreas
dc.contributor.author	Μαρίνης, Ανδρέας
dc.date.accessioned	2025-06-03T06:08:58Z
dc.date.available	2025-06-03T06:08:58Z
dc.date.issued	2025-01
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17815
dc.description.abstract	Τα τελευταία χρόνια, η αγορά κρυπτονομισμάτων, με το Bitcoin να βρίσκεται στο προσκήνιο, έχει αναδειχθεί ως μια ιδιαίτερα ασταθής και δυναμική εμπορική αγορά, κεντρίζοντας το ενδιαφέρον εμπόρων, ερευνητών και επενδυτών. Αυτή η διατριβή εξετάζει την εφαρμογή μοντέλων transformer στο high-frequency trading, εστιάζοντας στην ικανότητά τους να προβλέπουν τις κινήσεις της τιμής του Bitcoin χρησιμοποιώντας δεδομένα από το Limit Order Book (LOB) του ανταλλακτηρίου Binance. Οι παραδοσιακές μέθοδοι πρόβλεψης συχνά αποτυγχάνουν να συλλάβουν τις γρήγορες διακυμάνσεις που χαρακτηρίζουν τις αγορές κρυπτονομισμάτων. Ως εκ τούτου, η έρευνα εξετάζει προηγμένες τεχνικές μηχανικής μάθησης, συγκεκριμένα τις αρχιτεκτονικές transformer, οι οποίες έχουν αποδείξει ότι είναι υποσχόμενες σε καθήκοντα μοντελοποίησης ακολουθίας σε διάφορους τομείς. Η μελέτη αναλύει τη μεθοδολογία που χρησιμοποιείται για τη συλλογή και προκατεργασία δεδομένων, προκειμένου να δημιουργηθεί ένα αξιόπιστο σύνολο δεδομένων ικανοποιητικό για την ανάλυση του high-frequency trading. Οι κύριες προκλήσεις, όπως η υπερπροσαρμογή του μοντέλου, η ανισορροπία των δεδομένων και οι πολυπλοκότητες των χαρακτηριστικών των χρηματοοικονομικών δεδομένων, όπως η μη στασιμότητα, εξετάζονται διεξοδικά. Μέσω εμπειρικών δοκιμών, η διατριβή αξιολογεί την απόδοση των μοντέλων transformer στην πρόβλεψη της τιμής και αναδεικνύει τα πλεονεκτήματά τους σε σχέση με τις παραδοσιακές προσεγγίσεις βαθιάς μάθησης. Παρά τα θεωρητικά πλεονεκτήματα των transformers, τα ευρήματα αποκαλύπτουν περιορισμούς στην επιτυχία πρόβλεψης υπό συγκεκριμένες συνθήκες αγοράς. Αυτή η διατριβή παρέχει ενοράσεις σχετικά με την ενσωμάτωση χαρακτηριστικών που σχετίζονται με τον τομέα, τη σημασία της προκατεργασίας των δεδομένων και την ανάγκη διαφοροποιημένων στρατηγικών μοντελοποίησης για την ενίσχυση των ικανοτήτων πρόβλεψης στο εμπόριο κρυπτονομισμάτων. Προτείνονται κατευθύνσεις μελλοντικής έρευνας, τονίζοντας την προοπτική των στοχαστικών προσεγγίσεων μοντελοποίησης και την ενσωμάτωσή τους σε ποικιλία πηγών δεδομένων για την βελτίωση των εμπορικών στρατηγικών στον σύνθετο τομέα του high-frequency trading του Bitcoin.	el
dc.format.extent	46	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.title	Bitcoin high frequency trading with Transformers	el
dc.title.alternative	Συναλλαγές υψηλής συχνότητας Bitcoin με νευρωνικά δίκτυα Transformer	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	In recent years, the cryptocurrency market, with Bitcoin at its forefront, has emerged as a highly volatile and dynamic trading landscape, capturing the interest of traders, researchers, and investors alike. This thesis investigates the application of transformer models in high-frequency trading, focusing on their ability to predict Bitcoin price movements using Limit Order Book (LOB) data from the Binance exchange. Traditional forecasting methods often fall short in capturing the rapid fluctuations inherent in cryptocurrency markets. Thus, the research explores advanced machine learning techniques, specifically transformer architectures, which have shown promise in sequence modeling tasks across various domains. The study detail the methodology employed in data collection and preprocessing to create a robust dataset sufficient for high-frequency trading analysis. Key challenges, such as model overfitting, data imbalance, and the intricacies of financial data characteristics like non-stationarity, are thoroughly examined. Through empirical testing, the thesis evaluates the performance of transformer models in predicting price dynamics and highlights their strengths over traditional deep learning approaches. Despite the theoretical advantages of transformers, the findings reveal limitations in predictive success under specific market conditions. This thesis provides insights into the integration of domain-specific features, the importance of data preprocessing, and the need for tailored modeling strategies to enhance predictive capabilities in cryptocurrency trading. Future research directions are proposed, emphasizing the potential of stochastic modeling approaches and the incorporation of diverse data sources to improve trading strategies in the complex realm of Bitcoin high-frequency trading.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Transformers	el
dc.subject.keyword	Bitcoin	el
dc.subject.keyword	High frequency trading	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Price movement prediction	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Deep learning	el
dc.date.defense	2025-01-19

Αρχεία σε αυτό το τεκμήριο

Name:: AndreasMarinis_Dioni.pdf
Μέγεθος:: 2.059Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα