Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14440
Title: Πρόβλεψη τιμών κρυπτονομισμάτων και χρηματοοικονομικών μεγεθών χρησιμοποιώντας προηγμένες μεθόδους μηχανικής μάθησης
Other Titles: Predictions of cryptocurrencies and financial indicators using advanced machine learning methods
Authors: Ζησιμοπούλου, Παναγιώτα
Keywords: Κρυπτονομίσματα
Χρονολογικές σειρές
Πρόβλεψη
Μηχανική μάθηση
Τεχνητά νευρωνικά δίκτυα
Βαθιά νευρωνικά δίκτυα
Νευρωνικά δίκτυα μακροπρόθεσμης Μνήμης
Keywords (translated): Cryptocurrencies
Time series
Prediction
Machine learning
Artificial neural networks
Deep neural networks
Long-short term memory neural networks
Abstract: 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.
Abstract (translated): 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.
Appears in Collections:Τμήμα Διοίκησης Επιχειρήσεων (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική ΜΒΑ Ζησιμοπούλου Παναγιώτα.pdf4.73 MBAdobe PDFView/Open


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