Αλγόριθμοι αυτοματοποιημένων συναλλαγών βασισμένοι σε τεχνικές μηχανικής μάθησης
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Στεργίου, Θεόφιλος | |
| dc.date.accessioned | 2021-11-29T12:46:13Z | |
| dc.date.available | 2021-11-29T12:46:13Z | |
| dc.date.issued | 2021-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13895 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1318 | |
| dc.description.abstract | Μια σχετικά νέα προσέγγιση στις συναλλαγές κρυπτονομισμάτων είναι η χρήση αλγορίθμων μηχανικής εκμάθησης για την πρόβλεψη της αύξησης και της πτώσης των τιμών πριν εμφανιστούν. Ένας βέλτιστος έμπορος κρυπτονομισμάτων θα αγόραζε πριν ανέβει η τιμή και θα πουλούσε πριν υποχωρήσει η αξία του. Αυτή η εργασία παρουσιάζει μια προσέγγιση που συνδυάζει ένα μοντέλο επαναλαμβανόμενης μεθόδου ενίσχυσης της μάθησης (RRL) μέσω NeuroEvolution of Augmenting Topologies (NEAT) για να δημιουργήσει ένα σήμα συναλλαγών - νευρωνικό δίκτυο ικανό να επιτύχει υψηλές αποδόσεις σε κρυπτονομίσματα με χαμηλό σχετικό κίνδυνο. Στόχος μας είναι να τροφοδοτούμε το δίκτυό μας με ένα διάνυσμα εισόδου κάθε φορά χρησιμοποιώντας την προηγούμενη έξοδο του νευρωνικού μας δικτύου. Για να δημιουργήσουμε το διάνυσμα εισόδου, χρησιμοποιούμε ένα μοντέλο χρονικών σειρών απόδοσης επενδύσεων, τη θέση του εμπόρου μας που είναι μπορεί να είναι short, long και neutral και έναν συντελεστή ισοδύναμο με την μονάδα. Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με πραγματικές τιμές καθημερινών δεδομένων κρυπτονομίσματος όπου και σαν αναφερόμενο κρυπτονόμισμα πήραμε το γνωστό σε όλους πλέον BTC(Bitcoin). Ο λόγος Sharpe είναι η μετρική που χρησιμοποιήσαμε στο έργο μας για την αξιολόγηση του μοντέλου μας. Ο παραπάνω αλγόριθμος προσπαθεί να μεγιστοποιήσει το λόγο Sharpe. Τα αποτελέσματα που επιτεύχθηκαν δείχνουν ότι ο λόγος Sharpe αυξάνεται εντός της περιόδου προπόνησης άρα και στο διάστημα του testing παίρνουμε εξίσου καλά αποτελέσματα όπως και κατά την εκπαίδευση. | el |
| dc.format.extent | 77 | 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 | Αλγόριθμοι αυτοματοποιημένων συναλλαγών βασισμένοι σε τεχνικές μηχανικής μάθησης | el |
| dc.title.alternative | Machine learning-based automated trading algorithms | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | One relatively new approach in crypto currency trading is to use machine learning algorithms to predict the rise and fall of prices before they occur. An optimal crypto currency trader would buy before the price rises and sell before the value declines. This thesis presents an approach combining a recurrent reinforcement learning method (RRL) model with the NeuroEvolution of Augmenting Topologies (NEAT) to generate a trading signal – neural network capable of achieving high returns in crypto currency with low associated risk. Our goal is to feed our network with an input vector each time using the previous output of our neural network. To create our input vector, we are using a time series model of investment returns, the position of our trader which is short, long, and neutral plus a weighted factor which is equal with one. The proposed approach has been tested with real daily data of daily cryptocurrency data, where we have selected the well-known cryptocurrency BTC (Bitcoin). Sharpe ratio is the metric that we have used in our Project to evaluate our model. The above-mentioned algorithm attempts to maximize Sharpe ratio. The results achieved show that Sharpe ratio increases within training period therefore we are getting good results also during testing period. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | NEAT | el |
| dc.subject.keyword | Reinforcement learning | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Trading | el |
| dc.date.defense | 2021-10 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα