| Περίληψη: | Αντικείμενο της παρούσας μεταπτυχιακής διπλωματικής εργασίας είναι η μελέτη των κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών, η πρόβλεψη μελλοντικών τιμών των χρονολογικών σειρών τους χρησιμοποιώντας μεθόδους μηχανικής μάθησης και η σύγκριση των προβλέψεων αυτών για διαφορετικές παραμέτρους.
Λόγω της ραγδαίας εξέλιξης της επιστήμης και της τεχνολογίας τα τελευταία χρόνια οι μέθοδοι μηχανικής μάθησης προσφέρουν πολλές δυνατότητες σε πολλά πεδία, όπως και στην πρόβλεψη μελλοντικών τιμών χρονοσειρών. Σκοπός αυτής της εργασίας αποτελεί τόσο η θεωρητική μελέτη των κρυπτονομισμάτων, όσο και το πρακτικό κομμάτι με πρόβλεψη μελλοντικών τιμών τους μέσω δυο τύπων Τεχνητών Νευρωνικών Δικτύων.
Το πρώτο μέρος της εργασίας περιλαμβάνει το θεωρητικό υπόβαθρο που απαιτείται όπως τα είδη των κρυπτονομισμάτων, τα χαρακτηριστικά τους καθώς επίσης και βασικές γνώσεις για τα Τεχνητά Νευρωνικά Δίκτυα, την Βαθιά Μάθηση και τις χρονολογικές σειρές.
Το δεύτερο μέρος της διπλωματικής εργασίας που αποτελεί και το πρακτικό κομμάτι, αφορά τις χρονολογικές σειρές τριών κρυπτονομισμάτων (Bitcoin, Ethereum, Ripple) και δυο χρηματοοικονομικών δεικτών(Dow Jones Industrial Average-DJIA, Financial Times Stock Exchange 100-FTSE100). Εκπαιδεύοντας και χρησιμοποιώντας δυο είδη Τεχνητών Νευρωνικών Δικτύων τα Βαθιά Νευρωνικά Δίκτυα(DNN) και τα Νευρωνικά Δίκτυα Μακροπρόθεσμης Μνήμης(LSTM) γίνονται προβλέψεις για τις μελλοντικές τιμές των παραπάνω πέντε χρονολογικών σειρών και συγκρίσεις των προβλέψεων αυτών κάνοντας αλλαγές στην τοπολογία των δικτύων. Ταυτόχρονα, γίνεται σύγκριση των προβλέψεων αν προηγηθεί διαφόριση(πρώτες διαφορές) των χρονοσειρών πριν την τροφοδότησή τους στο μοντέλο και χωρίς. Τέλος, οι συγκρίσεις γίνονται με βάση ορισμένες μετρικές όπως τη ρίζα του μέσου τετραγωνικού σφάλματος, το μέσο απόλυτο σφάλμα, το μέσο απόλυτο ποσοστιαίο σφάλμα και το συμμετρικό μέσο απόλυτο ποσοστιαίο σφάλμα.
|
|---|
