Αξιολόγηση Μεθόδων Μηχανικής Μάθησης για την Πρόβλεψη Κατεύθυνσης Μεταβλητότητας Κρυπτονομισμάτων

Evaluation of Machine Learning Algorithms for Predicting the Direction of Volatility in Cryptocurrencies (Αγγλική)

  1. MSc thesis
  2. Μίχης, Γεώργιος
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 17 Σεπτεμβρίου 2022 [2022-09-17]
  5. Ελληνικά
  6. 104
  7. Τζαγκαράκης, Εμμανουήλ
  8. Καραπιπέρης, Δημήτριος | Μοσχολιός, Ιωάννης
  9. Μηχανική Μάθηση | Κατηγοριοποίηση | Μεταβλητότητα | Bitcoin | Knn | Random Forest | Νευρωνικά Δίκτυα | Λογιστική Παλινδρόμηση | Machine Learning | Classification | Volatility | Neural Networks | Logistic Regression
  10. 2
  11. 1
  12. 53
  13. Περιέχει : πίνακες, εικόνες/σχήματα
    • Τα κρυπτονομίσματα την τελευταία δεκαετία έχουν αποκτήσει φωνή και έχουν μπει για τα καλά στον χρηματοοικονομικό κόσμο. Παρουσιάζουν μεγάλη μεταβλητότητα, δηλαδή έχουν μεγάλο εύρος αλλά και ταχύτητα διακύμανσης στην ισοτιμία τους. Αυτό είναι κάτι πρωτόγνωρο για τον τομέα των νομισμάτων. Υπάρχουν αρκετές μελέτες και έχουν γίνει πολλές έρευνες που προσπαθούν είτε να εξηγήσουν είτε να προβλέψουν την κατεύθυνση της μεταβλητότητας. Σε αυτές τις προσπάθειες τα τελευταία χρόνια έχουν αρχίσει να συμπεριλαμβάνονται και αλγόριθμοι από την περιοχή της μηχανικής μάθησης. Στόχος αυτής της διπλωματικής εργασίας είναι η αξιολόγηση αλγορίθμων μηχανικής μάθησης σχετικά με την ικανότητά τους να προβλέψουν την κατεύθυνση της μεταβλητότητας του δημοφιλέστερου κρυπτονομίσματος, του Bitcoin, χρησιμοποιώντας πραγματικά δεδομένα που σχετίζονται με αυτό. Στην παρούσα διπλωματική εργασία θα προσεγγίσουμε αυτό το πρόβλημα σαν ένα πρόβλημα κατηγοριοποίησης. Οι αλγόριθμοι που επιλέχθηκαν είναι ο Knn, ο Random Forest, τα Νευρωνικά Δίκτυα και η Λογιστική Παλινδρόμηση. Η σύγκριση και η αξιολόγησή τους έγινε σύμφωνα με το ποσοστό ακρίβειας που συγκέντρωσε ο καθένας. Για τα δεδομένα που χρησιμοποιήσαμε, το μοντέλο του Random Forest είχε την καλύτερη απόδοση με ποσοστό ακρίβειας 66%. Ακολουθεί η Λογιστική Παλινδρόμηση με 62%, τα Νευρωνικά Δίκτυα με 60% και τέλος ο Knn με ποσοστό 54%. Τα αποτελέσματα είναι αρκετά υποσχόμενα και αφήνουν περιθώριο για μελλοντικές έρευνες στην εξέταση τόσο αυτών των αλγορίθμων όσο και άλλων αλγορίθμων της μηχανικής μάθησης.
    • In the last decade, cryptocurrencies have made some noise and they managed to establish themselves in the financial world. Cryptocurrencies show high volatility, meaning they have a great range and fluctuation in their exchange rate. This is something new for currencies. There are enough papers and studies that try to explain or predict the direction of volatility. In these attempts the last few years, they have started using machine learning algorithms. The purpose of this paper is to evaluate these machine learning algorithms in their ability to predict the direction of volatility of Bitcoin, the most famous crypto, by using real data related to it. In this paper we will approach this problem as a classification problem. The algorithms that were chosen are Knn, Random Forest, Neural Networks and Logistic Regression. The comparison and the evaluation of the algorithms was made through the accuracy of the prediction that each one had. For the data we used, Random Forest model had the best performance with an accuracy of 66%. Logistic Regression is the next to follow with 62%, then Neural Networks with 60% and finally Knn with 54%. The results are quite promising and they leave plenty of room for future studies to examine these and other machine learning algorithms.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.