Please use this identifier to cite or link to this item:
Title: Πρόβλεψη του price return του bitcoin μέσω αλγορίθμων μηχανικής μάθησης
Other Titles: Prediction of bitcoin price return using machine learning algorithms
Authors: Βελλή, Βασιλική
Keywords: Κρυπτονόμισμα
Μηχανική μάθηση
Λογιστική παλινδρόμηση
Πρόβλεψη απόδοσης τιμής
Keywords (translated): Machine learning
Naive Bayes
Random forest
Abstract: Η ανά χείρας διπλωματική εργασία επικεντρώνεται στη πρόβλεψη του price return του Bitcoin μέσω αλγορίθμων Μηχανικής μάθησης. Στόχος αυτής της εργασίας ήταν η ανάπτυξη του αντίστοιχου κώδικα, χρησιμοποιώντας πραγματικά δεδομένα, που αφορούν το κρυπτονόμισμα Bitcoin, η πρόβλεψη της εξέλιξης του price return και τελικά η αξιολόγηση του κάθε αλγορίθμου, μέσω της ακρίβειας της πρόβλεψης. Αρχικά, πραγματοποιήθηκε μία βιβλιογραφική ανασκόπηση βασισμένη στο Bitcoin, στη Μηχανική μάθηση και στο συνδυασμό αυτών των δύο. Στη συνέχεια, το επόμενο βήμα αφορούσε τη μεθοδολογία και τα δεδομένα. Ήταν απαραίτητη η συλλογή, η επεξεργασία και ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και ελέγχου. Επίσης, σε αυτό το σημείο της έρευνας, προέκυψαν τα πρώτα περιγραφικά στατιστικά των δύο συνόλων δεδομένων. Λαμβάνοντας υπόψιν τη βιβλιογραφία, οι επιλεγμένοι αλγόριθμοι Μηχανικής μάθησης ήταν ο Random Forest και ο Naïve Bayes, ενώ ως οικονομική μέθοδος χρησιμοποιήθηκε η Λογιστική Παλινδρόμηση. Τόσο τα δεδομένα εκπαίδευσης, όσο και τα δεδομένα ελέγχου, εφαρμόστηκαν σε κάθε αλγόριθμο. Βασιζόμενοι στην ακρίβεια της πρόβλεψης, τα κύρια συμπεράσματα ήταν, ότι ο αλγόριθμος Random Forest είχε τη βέλτιστη απόδοση (ακρίβεια πρόβλεψης: 65%), ο αλγόριθμος Naïve Bayes είχε μία αρκετά καλή απόδοση (ακρίβεια πρόβλεψης 60%), ενώ η Λογιστική Παλινδρόμηση έφερε ικανοποιητικά αποτελέσματα (ακρίβεια πρόβλεψης 60%). Τέλος, οι υπόλοιπες παρατηρήσεις που προέκυψαν κατά τη διάρκεια της έρευνας, αναφέρονται στο τελευταίο κεφάλαιο αυτής της διπλωματικής εργασίας.
Abstract (translated): This dissertation focuses on the prediction of Bitcoin price return using Machine Learning algorithms. The aim of this work was to develop the corresponding code, using Bitcoin’s real data, predict the progress of price return and finally evaluate each algorithm via their accuracy in prediction. Initially, a bibliographic review based on Bitcoin, Machine Learning and the combination of them, was made. Then, the next step was about methodology and data. It was essential to collect, process and separate data, into training and testing sets. Also, at this point of research, first descriptive statistics of its dataset, occurred. Taking into consideration bibliography, the chosen Machine Learning algorithms were Random Forest and Naïve Bayes, while as an economic method Logistic Regression was used. Both training and testing datasets were implemented on each algorithm. The main conclusions based on prediction accuracy, were that Random Forest did pretty well (accuracy: 65%), Naïve bayes did good enough (accuracy: 60%) and Logistic Regression had satisfactory results (accuracy: 55%). Finally, all the other observations during the research, are being mentioned in the last chapter of this thesis.
Appears in Collections:Τμήμα Οικονομικών Επιστημών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Vasiliki_Velli-MSc-ΔΕ.pdf1.11 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.