Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης
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. Λόγ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14440 |
| id |
nemertes-10889-14440 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-144402022-09-05T04:59:19Z Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης Predictions of cryptocurrencies and financial indicators using advanced machine learning methods Ζησιμοπούλου, Παναγιώτα Zisimopoulou, Panagiota Κρυπτονομίσματα Χρονολογικές σειρές Πρόβλεψη Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Βαθιά νευρωνικά δίκτυα Νευρωνικά δίκτυα μακροπρόθεσμης Μνήμης Cryptocurrencies Time series Prediction Machine learning Artificial neural networks Deep neural networks Long-short term memory neural networks 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. The purpose of this postgraduate thesis is the study of cryptocurrencies and financial indicators, the prediction of their time series future values using machine learning methods and the comparison of these predictions for different parameters. Due to the rapid growth of science and technology in recent years, machine learning methods offer many possibilities in many fields, as well as in predicting future time series values. The purpose of this work is both the theoretical study of cryptocurrencies and the implementation by predicting their future prices through two types of Artificial Neural Networks. The second part of the dissertation, which is the implementation part, concerns the time series of three cryptocurrencies (Bitcoin, Ethereum, Ripple) and two financial indicators (Dow Jones Industrial Average-DJIA, Financial Times Stock Exchange 100-FTSE100). By training and using two types of Artificial Neural Networks, Deep Neural Networks (DNN) and Long-Short Term Memory Neural Networks (LSTM), predictions are made for the future values of the above five time series and comparisons of these predictions are made by making changes to the network topology. Furthermore, comparisons in future values are made with and without differentiation of time series. Finally, comparisons are made based on certain metrics such as mean square error, mean absolute error, mean absolute percentage error and symmetric mean absolute percentage error. 2021-01-27T07:19:12Z 2021-01-27T07:19:12Z 2021-01-20 http://hdl.handle.net/10889/14440 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Κρυπτονομίσματα Χρονολογικές σειρές Πρόβλεψη Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Βαθιά νευρωνικά δίκτυα Νευρωνικά δίκτυα μακροπρόθεσμης Μνήμης Cryptocurrencies Time series Prediction Machine learning Artificial neural networks Deep neural networks Long-short term memory neural networks |
| spellingShingle |
Κρυπτονομίσματα Χρονολογικές σειρές Πρόβλεψη Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Βαθιά νευρωνικά δίκτυα Νευρωνικά δίκτυα μακροπρόθεσμης Μνήμης Cryptocurrencies Time series Prediction Machine learning Artificial neural networks Deep neural networks Long-short term memory neural networks Ζησιμοπούλου, Παναγιώτα Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| description |
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. |
| author2 |
Zisimopoulou, Panagiota |
| author_facet |
Zisimopoulou, Panagiota Ζησιμοπούλου, Παναγιώτα |
| author |
Ζησιμοπούλου, Παναγιώτα |
| author_sort |
Ζησιμοπούλου, Παναγιώτα |
| title |
Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| title_short |
Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| title_full |
Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| title_fullStr |
Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| title_full_unstemmed |
Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| title_sort |
πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14440 |
| work_keys_str_mv |
AT zēsimopouloupanagiōta problepsētimōnkryptonomismatōnkaichrēmatooikonomikōnmegethōnchrēsimopoiōntasproēgmenesmethodousmēchanikēsmathēsēs AT zēsimopouloupanagiōta predictionsofcryptocurrenciesandfinancialindicatorsusingadvancedmachinelearningmethods |
| _version_ |
1771297128660860928 |
