Συγκριτική μελέτη αλγορίθμων μηχανικής μάθησης για την εκτίμηση της μεταβλητοτητας του κρυπτονομίσματος Bitcoin

• Κύριος συγγραφέας: Πουρνάρα, Κωνσταντίνα
• Άλλοι συγγραφείς: Pournara, Konstantina
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Μηχανική μάθηση; Νευρωνικά δίκτυα; Mεταβλητότητα; Λογιστική παλινδρόµηση; Machine learning; Random forest; Bitcoin; Neural networks

Ο χρηµατοοικονοµικός κόσµος χαρακτηρίζεται τα τελευταία χρόνια από µεγάλη µεταβλητότητα. Η παρούσα διπλωµατική εργασία έχει ως στόχο να ερευνήσει την µεταβλητότητα του κρυπτονοµίσµατος Bitcoin µέσα από µία σειρά αλγορίθµων µηχανικής µάθησης. Σκοπός αυτής της εργασίας ήταν η ανάπτυξη του α ντίστοιχου κώδικα, χρησιµοποιώντας πραγµατικά δεδοµένα, που αφορούν το κρυπτονόµισµα Bitcoin, η πρόβλεψη της εξέλιξης της µεταβλητότητας καθώς επίσης και την αξιολόγηση του κάθε αλγορίθµου, µέσω της ακρίβειας της πρόβλεψης. Οι αλγόριθµοι που ϑα χρησιµοποιηθουν είναι το Random Forest, τα Νευρωνικά ∆ικτυα (eural Networks) και η πρόβλεψη ϑα πραγµατοποιηθει και µέσω ενός οικονοµικόυ µοντέλου , συγκεκριµένα ϑα υλοποιηθεί µια λογιστική παλινδρόµηση. Στην συνέχεια συγκρίνει τα αποτελέσµατα µε σκοπό την εύρεση του καλύτερου µοντέλου.Τα κύρια συµπεράσµατα όσον αφορά την πρόβλεψη της ακρίβειας είναι οτι, το µοντέλο Random Forest είχε την καλύτερη απόδοση µε ακρίβεια, 56%, ενώ τα Νευρωνικά ∆ίκτυα έδωσε 54% και η Λογιστική Παλινδρόµηση έδωσε τη χαµηλότερη ακρίβεια 53%. Επιπλέον,όσον αφορά, την επιλογή για την διερεύνηση της απόδοσης και της µεταβλητότητας του κρυπτονοµίσµατος Bitcoin έγινε για τους παρακάτω λόγους : Σε όλες τις επενδυτικές αποφάσεις πρέπει να ληφθεί υπόψη ο κίνδυνος απώλειας, δηλαδή η µεταβλητότητα. Η µεταβλητότητα έχει χαρακτηριστικά που διευκολύνουν την πρόβλεψή της, ενώ είναι δύσκολο να προβλεφθούν αποδόσεις. Το Bitcoin είναι µε διαφορά το κρυπτονόµισµα µε τον µεγαλύτερο αριθµό καθηµερινών συναλλαγών.