Πρόβλεψη Κατεύθυνσης Μεταβλητότητας Κρυπτονομισμάτων Βασισμένη στη Μεταβλητότητα Παραδοσιακών Αγαθών: Μία Προσέγγιση Ανάλυσης με Χρήση Μηχανικής Μάθησης

Predicting the Direction of Cryptocurrency Volatility Based on the Volatility of Traditional Goods: A Machine Learning Based Approach (english)

  1. MSc thesis
  2. Τύμπας, Γρηγόριος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 17 September 2022 [2022-09-17]
  5. Ελληνικά
  6. 110
  7. Τζαγκαράκης, Εμμανουήλ
  8. Καραπιπέρης, Δημήτριος | Σακκόπουλος, Ευάγγελος
  9. Κρυπτονομίσματα | Crypto Coins | Μηχανική Μάθηση | Machine Learning | Συνδυαστικοί Αλγόριθμοι | Ensemble Algorithms | Δένδρα Απόφασης | Decision Trees | Νευρωνικά Δίκτυα | Neural Networks | Πρόβλεψη Κατεύθυνσης Μεταβλητότητας | Forecasting Volatility Direction
  10. 43
  11. Περιέχει : πίνακες, διαγράμματα, σχήματα, εικόνες,
    • Την τελευταία δεκαετία, με την εμφάνιση του blockchain, μια (μικρή προς το παρόν) επανάσταση έχει συντελεστεί διεθνώς στον χρηματοοικονομικό τομέα. Η αρχή έγινε το 2009 με την δημιουργία του πρώτου κρυπτονομίσματος του Bitcoin και ακολούθησε τα επόμενα χρόνια η δημιουργία πληθώρας άλλων ψηφιακών νομισμάτων. Το κρυπτονόμισμα, είναι ένα ψηφιακό νόμισμα η κυκλοφορία του οποίου δεν ελέγχεται κεντρικά αλλά αποκεντρωμένα, από έναν αλγόριθμο ο οποίος εκτελείται σε χιλιάδες υπολογιστές χρηστών του κρυπτονομίσματος κατανεμημένους σε ολόκληρο τον κόσμο. Σήμερα, γύρω από τα κρυπτονομίσματα έχουν δημιουργηθεί ολόκληρα οικοσυστήματα εφαρμογών, από εφαρμογές πχ στην τηλεϊατρική μέχρι τα παιχνίδια και στα οποία οικοσυστήματα καθημερινά εκατομμύρια χρήστες βρίσκουν ενδιαφέρον ενασχόλησης. Όπως συμβαίνει σε όλα τα χρηματοοικονομικά προϊόντα, έτσι και στους χρήστες των κρυπτονομισμάτων υπάρχει μία έντονη διάθεση, για κερδοσκοπικούς κυρίως αλλά και άλλους λόγους, να ανακαλύψουν τρόπους με τους οποίους να προβλέπουν την μελλοντική εξέλιξη των τιμών τους. Τα τελευταία χρόνια, εκτός από τις παραδοσιακές μεθόδους πρόβλεψης για χρονοσειρές όπως η πχ ARIMA, υπάρχει μία συνεχώς αυξανόμενη τάση χρήσης μεθόδων τεχνητής νοημοσύνης και κυρίως αλγορίθμων μηχανικής μάθησης. Στην παρούσα εργασία διερευνούμε με την χρήση αλγορίθμων μηχανικής μάθησης αν, οι τιμές παραδοσιακών οικονομικών αγαθών όπως ο χρυσός, το πετρέλαιο, οι τιμές των μετοχών, ζεύγη εθνικών νομισμάτων, τιμές ομολόγων κλπ., μπορούν να παρέχουν κάποια ικανότητα πρόβλεψης των μελλοντικών τιμών του Bitcoin. Χρησιμοποιούμε δύο διαφορετικές προσεγγίσεις. Στην πρώτη προσέγγιση, αντιμετωπίζουμε το πρόβλημα ως πρόβλημα κατηγοριοποίησης (άνοδος / πτώση της τιμής) και χρησιμοποιούμε συνδυαστικούς αλγορίθμους βασισμένους σε δένδρα απόφασης. Στην δεύτερη προσέγγιση θεωρούμε το πρόβλημα ως πρόβλημα πρόβλεψης τιμών χρονοσειράς και για την λύση του χρησιμοποιούμε επαναληπτικά νευρωνικά δίκτυα. Τα αποτελέσματα δείχνουν ότι σε συγκεκριμένους χρονικούς ορίζοντες, υπάρχει ικανοποιητική δυνατότητα πρόβλεψης, καλύτερη του τυχαίου.
    • In the last decade, with the advent of blockchain, a (small for now) revolution has taken place internationally in the financial sector. It started in 2009 with the creation of the first cryptocurrency Bitcoin and was followed in the next following years by the creation of a multitude of other digital currencies. Cryptocurrency is a digital currency whose circulation is not controlled centrally but decentralized, by an algorithm that runs on thousands computers of cryptocurrency users distributed throughout the world. Today, entire ecosystems of applications have been created around cryptocurrencies, from e.g. applications from telemedicine up to the games, and in which ecosystems millions of users find an interest to engage in every day. As it happens with all the financial products, there is a strong desire among users of cryptocurrencies, primarily for profit but for other reasons as well, to discover ways to predict the future evolution of their prices. In recent years, in addition to traditional forecasting methods for time series such as ARIMA, there is an increasing tendency to use artificial intelligence methods and especially machine learning algorithms. In this paper, we investigate using machine learning algorithms whether the prices of traditional financial goods such as gold, oil, stock prices, national currency pairs, bond prices, etc., can provide some ability to predict the future prices of Bitcoin. We use two different approaches. In the first approach, we treat the problem as a classification problem (price rise / fall) and we use ensemble algorithms based on decision trees. In the second approach we consider the problem as a time series value prediction problem and for its solution we use recurrent neural networks. The results show that at certain time horizons, there is a satisfactory possibility of prediction, beyond randomness.
  13. Αναφορά Δημιουργού 4.0 Διεθνές