Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin
Η παρούσα διπλωματική εργασία ασχολείται με την πρόβλεψη της κατεύθυνσης της μεταβλητότητας του κρυπτονομίσματος Bitcoin με τη χρήση αλγορίθμων μηχανικής μάθησης. Στόχος της συγκεκριμένης εργασίας ήταν η ανάπτυξη του κώδικα διαφόρων αλγορίθμων μηχανικής μάθησης, η εφαρμογή του σε πραγματικά δεδομένα...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15501 |
| id |
nemertes-10889-15501 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-155012022-09-05T06:57:43Z Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin Evaluation of machine learning methods for predicting the direction of cryptocurrency volatility : a study on the Bitcoin cryptocurrency Τσαρπάλα, Ευσταθία Νικολέτα Tsarpala, Efstathia Nikoleta Κρυπτονομίσματα Μεταβλητότητα Μηχανική μάθηση Λογιστική παλλινδρόμηση Bitcoin Volatility Machine learning Support Vector Machines (SVM) Random forest Naive Bayes Η παρούσα διπλωματική εργασία ασχολείται με την πρόβλεψη της κατεύθυνσης της μεταβλητότητας του κρυπτονομίσματος Bitcoin με τη χρήση αλγορίθμων μηχανικής μάθησης. Στόχος της συγκεκριμένης εργασίας ήταν η ανάπτυξη του κώδικα διαφόρων αλγορίθμων μηχανικής μάθησης, η εφαρμογή του σε πραγματικά δεδομένα τιμών του Bitcoin και πιο συγκεκριμένα η πρόβλεψη της μεταβλητότητας του κρυπτονομίσματος καθώς και η αξιολόγηση του κάθε αλγορίθμου σύμφωνα με την ακρίβειας που πετυχαίνει. Αρχικά έγινε μια επισκόπηση στην υπάρχουσα βιβλιογραφία σχετικά με τους αλγορίθμους μηχανικής μάθησης, το κρυπτονόμισμα Bitcoin, τη μεταβλητότητα και το συνδυασμό των ανωτέρων θεμάτων. Στη συνέχεια πραγματοποήθηκε η συλλογή και επεξεργασία των δεδομένων, καθώς και ο διαχωρισμός τους με κατάλληλο τρόπο σε δεδομένα εκπαίδευσης και ελέγχου, ώστε να μπορεί να γίνει η χρήση τους από τους αλγορίθμους που επιλέχθηκαν να εφαρμοστούν. Συγκεκριμένα, με βάση την υπάρχουσα βιβλιογραφία, επιλέχθηκε να γίνει η εφαρμογή τριών αλγορίθμων μηχανικής μάθησης, του Support vector machine, του Random forest και του Naive Bayes καθώς και μια οικονομικής μεθόδου, της λογιστικής παλινδρόμησης, η οποία χρησιμοποιήθηκε ως βάση για τη σύγκριση των αποτελεσμάτων. Τελος, έγινε η διεξαγωγή των αποτελεσμάτων σχετικά με την ακρίβεια και παρατηρήθηκε ότι ο αλγόριθμος Support Vector Machine είναι ο πιο αποδοτικός, με ακρίβεια πρόβλεψης 64.19\%, στην συνέχεια ακολουθεί ο αλγόριθμος Random Forest, με ακρίβεια πρόβλεψης 63.51\%, έπειτα βρίσκεται ο αλγόριθμος Naive Bayes, με ακρίβεια πρόβλεψης 58.45\% και τέλος η Λογιστικη Παλινδρομηση παρουσίασε την χαμηλότερη ακρίβεια, με ποσοστό 57.77\% This dissertation deals with the prediction of the direction of volatility of cryptocurrency Bitcoin using machine learning algorithms. The aim of this work was the development of the code of various machine learning algorithms, its application to real Bitcoin data and more specifically the prediction of cryptocurrency volatility as well as the evaluation of each algorithm according to the accuracy it achieves. An overview of the existing literature on machine learning algorithms, cryptocurrency Bitcoin, volatility and the combination of the above was initially reviewed. The data were then collected and pre-processed appropriately, so that they could be applied to the algorithms under consideration. Based on the existing literature, it was chosen to apply three machine learning algorithms, the Support Vector Machine, the Random forest and the Naive Bayes as well as an economic method, Logistic Regression, which was used as a basis for comparing the results. Finally, the results were performed in terms of accuracy and it was observed that the Support Vector Machine algorithm is the most efficient, with 64.19% prediction accuracy, followed by the Random Forest algorithm, with a prediction accuracy of 63.51%, then comes the Naive Bayes algorithm, with a prediction accuracy of 58.45% and finally the Logistic Regression showed the lowest accuracy, with a rate of 57.77% 2021-11-02T11:00:19Z 2021-11-02T11:00:19Z 2021-09 http://hdl.handle.net/10889/15501 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Κρυπτονομίσματα Μεταβλητότητα Μηχανική μάθηση Λογιστική παλλινδρόμηση Bitcoin Volatility Machine learning Support Vector Machines (SVM) Random forest Naive Bayes |
| spellingShingle |
Κρυπτονομίσματα Μεταβλητότητα Μηχανική μάθηση Λογιστική παλλινδρόμηση Bitcoin Volatility Machine learning Support Vector Machines (SVM) Random forest Naive Bayes Τσαρπάλα, Ευσταθία Νικολέτα Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| description |
Η παρούσα διπλωματική εργασία ασχολείται με την πρόβλεψη της κατεύθυνσης της μεταβλητότητας του κρυπτονομίσματος Bitcoin με τη χρήση αλγορίθμων μηχανικής μάθησης. Στόχος της συγκεκριμένης εργασίας ήταν η ανάπτυξη του κώδικα διαφόρων αλγορίθμων μηχανικής μάθησης, η εφαρμογή του σε πραγματικά δεδομένα τιμών του Bitcoin και πιο συγκεκριμένα η πρόβλεψη της μεταβλητότητας του κρυπτονομίσματος καθώς και η αξιολόγηση του κάθε αλγορίθμου σύμφωνα με την ακρίβειας που πετυχαίνει. Αρχικά έγινε μια επισκόπηση στην υπάρχουσα βιβλιογραφία σχετικά με τους αλγορίθμους μηχανικής μάθησης, το κρυπτονόμισμα Bitcoin, τη μεταβλητότητα και το συνδυασμό των ανωτέρων θεμάτων. Στη συνέχεια πραγματοποήθηκε η συλλογή και επεξεργασία των δεδομένων, καθώς και ο διαχωρισμός τους με κατάλληλο τρόπο σε δεδομένα εκπαίδευσης και ελέγχου, ώστε να μπορεί να γίνει η χρήση τους από τους αλγορίθμους που επιλέχθηκαν να εφαρμοστούν. Συγκεκριμένα, με βάση την υπάρχουσα βιβλιογραφία, επιλέχθηκε να γίνει η εφαρμογή τριών αλγορίθμων μηχανικής μάθησης, του Support vector machine, του Random forest και του Naive Bayes καθώς και μια οικονομικής μεθόδου, της λογιστικής παλινδρόμησης, η οποία χρησιμοποιήθηκε ως βάση για τη σύγκριση των αποτελεσμάτων. Τελος, έγινε η διεξαγωγή των αποτελεσμάτων σχετικά με την ακρίβεια και παρατηρήθηκε ότι ο αλγόριθμος Support Vector Machine είναι ο πιο αποδοτικός, με ακρίβεια πρόβλεψης 64.19\%, στην συνέχεια ακολουθεί ο αλγόριθμος Random Forest, με ακρίβεια πρόβλεψης 63.51\%, έπειτα βρίσκεται ο αλγόριθμος Naive Bayes, με ακρίβεια πρόβλεψης 58.45\% και τέλος η Λογιστικη Παλινδρομηση παρουσίασε την χαμηλότερη ακρίβεια, με ποσοστό 57.77\% |
| author2 |
Tsarpala, Efstathia Nikoleta |
| author_facet |
Tsarpala, Efstathia Nikoleta Τσαρπάλα, Ευσταθία Νικολέτα |
| author |
Τσαρπάλα, Ευσταθία Νικολέτα |
| author_sort |
Τσαρπάλα, Ευσταθία Νικολέτα |
| title |
Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| title_short |
Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| title_full |
Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| title_fullStr |
Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| title_full_unstemmed |
Αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα Bitcoin |
| title_sort |
αξιολόγηση μεθόδων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης μεταβλητότητας κρυπτονομισμάτων : μια μελέτη για το κρυπτονόμισμα bitcoin |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15501 |
| work_keys_str_mv |
AT tsarpalaeustathianikoleta axiologēsēmethodōnmēchanikēsmathēsēsgiatēnproblepsētēskateuthynsēsmetablētotētaskryptonomismatōnmiameletēgiatokryptonomismabitcoin AT tsarpalaeustathianikoleta evaluationofmachinelearningmethodsforpredictingthedirectionofcryptocurrencyvolatilityastudyonthebitcoincryptocurrency |
| _version_ |
1771297172828979200 |
