Πρόβλεψη της τιμής του Bitcoin με χρήση μηχανικής μάθησης, βαθιάς μάθησης και ανάλυσης συναισθήματος

Φουτζόπουλος, Γιώργος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Φουτζόπουλος, Γιώργος
dc.date.accessioned	2026-07-21T11:06:01Z
dc.date.available	2026-07-21T11:06:01Z
dc.date.issued	2026-07
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19602
dc.description.abstract	Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την πρόβλεψη της τιμής του Bitcoin σε βραχυχρόνιους χρονικούς ορίζοντες, αξιοποιώντας στατιστικά μοντέλα, μοντέλα μηχανικής μάθησης, μοντέλα βαθιάς μάθησης και μεταβλητές ανάλυσης συναισθήματος. Η ανάλυση βασίστηκε σε δεδομένα υψηλής συχνότητας για την ισοτιμία BTC/USD, με χρονικό βήμα ενός λεπτού, για την περίοδο Ιανουαρίου 2022 έως Μαΐου 2026. Η μεταβλητή στόχος ορίστηκε ως η μελλοντική λογαριθμική απόδοση για χρονικούς ορίζοντες 1, 15 και 30 λεπτών, καθώς η λογαριθμική απόδοση κρίθηκε καταλληλότερη από την απόλυτη τιμή κλεισίματος λόγω της μη στασιμότητας της αρχικής χρονοσειράς. Για την πρόβλεψη εφαρμόστηκαν και συγκρίθηκαν τα μοντέλα αυτοπαλίνδρομου κινητού μέσου (ARIMA), η παλινδρόμηση Ridge (Ridge Regression), η παλινδρόμηση τυχαίων δασών (Random Forest Regression), η παλινδρόμηση XGBoost (XGBoost Regression), το δίκτυο Μακράς Βραχυπρόθεσμης Μνήμης (Long Short Term Memory - LSTM) και το δίκτυο Πυλών Επαναλαμβανόμενης Μονάδας (Gated Recurrent Unit - GRU), ενώ η αξιολόγηση πραγματοποιήθηκε με μετρικές όπως η ρίζα μέσου τετραγωνικού σφάλματος (Root Mean Squared Error - RMSE) , μέσου απόλυτου σφάλματος (Mean Absolute Error - MAE) και η Ακρίβεια κατεύθυνσης (Directional Accuracy), τόσο σε επίπεδο λογαριθμικών αποδόσεων όσο και σε επίπεδο προβλεπόμενης τιμής. Επιπλέον, συλλέχθηκαν και επεξεργάστηκαν δεδομένα κειμένου από Twitter, Reddit και ειδησεογραφικές πηγές, από τα οποία εξήχθησαν μεταβλητές θετικού, αρνητικού, ουδέτερου και συνολικού συναισθήματος με χρήση του εργαλείου VADER (Valence Aware Dictionary and sEntiment Reasoner), μια λεξικογραφικής μεθόδου ανάλυσης συναισθήματος. Οι μεταβλητές αυτές συγχωνεύθηκαν χρονικά με τα δεδομένα τιμών, ώστε να εξεταστεί αν η εξωτερική πληροφορία από τη δημόσια συζήτηση και την ειδησεογραφική ροή μπορεί να βελτιώσει την προβλεπτική ικανότητα των μοντέλων. Τα αποτελέσματα έδειξαν ότι η προσθήκη μεταβλητών συναισθήματος δεν οδηγεί σε καθολική βελτίωση όλων των μοντέλων και όλων των χρονικών οριζόντων, αλλά η επίδρασή διαφοροποιείται ανάλογα με το μοντέλο και τον ορίζοντα πρόβλεψης.	el
dc.format.extent	96	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Πρόβλεψη της τιμής του Bitcoin με χρήση μηχανικής μάθησης, βαθιάς μάθησης και ανάλυσης συναισθήματος	el
dc.title.alternative	Bitcoin price forecasting using machine learning, deep learning, and sentiment analysis	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This postgraduate dissertation examines the prediction of Bitcoin prices over short-term forecasting horizons by employing statistical models, machine learning models, deep learning models, and sentiment analysis variables. The analysis is based on high-frequency BTC/USD data with one-minute intervals, covering the period from January 2022 to May 2026. The target variable is defined as the future logarithmic return for forecasting horizons of 1, 15, and 30 minutes, as logarithmic returns were considered more suitable than the absolute closing price due to the non-stationarity of the original price series. For the forecasting task, ARIMA, Ridge Regression, Random Forest, XGBoost, LSTM, and GRU models were implemented and compared, while model evaluation was conducted using RMSE, MAE, and Directional Accuracy, both at the level of logarithmic returns and predicted prices. In addition, textual data were collected and processed from Twitter, Reddit, and news sources, from which positive, negative, neutral, and compound sentiment variables were extracted using the VADER tool. These sentiment variables were temporally merged with the Bitcoin price data in order to examine whether external information from public discussion and news flow could improve the predictive performance of the models. The results showed that the inclusion of sentiment variables does not lead to a universal improvement across all models and forecasting horizons; rather, its effect varies depending on the model and the prediction horizon.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Bitcoin	el
dc.subject.keyword	Deep Learning	el
dc.subject.keyword	High-Frequency Data	el
dc.subject.keyword	Machine Learning	el
dc.subject.keyword	Price Forecasting	el
dc.subject.keyword	Sentiment Analysis	el
dc.date.defense	2026-07-17

Αρχεία σε αυτό το τεκμήριο

Name:: Foutzopoulos_me2435.pdf
Μέγεθος:: 6.441Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

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