Μεθοδολογίες Μηχανικής Μάθησης για την πρόβλεψη τιμών σε ευμετάβλητες αγορές – Μία μελέτη περίπτωσης για την αγορά κρυπτονομισμάτων

Machine Learning Methodologies for predicting prices in volatile markets – A case study in the cryptocurrency market (Αγγλική)

  1. MSc thesis
  2. Δημήτριου, Νικόλαος
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 11 Σεπτεμβρίου 2022 [2022-09-11]
  5. Αγγλικά
  6. 77
  7. Καρλής, Δημήτριος
  8. Deep Learning | Time Series | Forecasting | Cryptocurrencies | Blockchain.
  9. 1
  10. 97
  11. Περιέχει : πίνακες, διαγράμματα
    • Διάφορα μοντέλα πρόβλεψης έχουν βρει εφαρμογή για την πρόβλεψη των τιμών χρηματοοικονομικών μεγεθών, συμπεριλαμβανομένων τιμών μετοχών, αποδόσεις ομολόγων και διακυμάνσεις συναλλάγματος. Ειδικότερα, τεχνικές από τη θεωρία εκτίμησης, όπως τα μοντέλα χρονοσειρών, έχουν χρησιμοποιηθεί ευρέως για οικονομικές προβλέψεις. Ωστόσο, καθώς αυτά τα μοντέλα κάνουν συγκεκριμένες υποθέσεις σχετικά με τη στασιμότητα των υποκείμενων στοχαστικών διεργασιών, δεν μπορούν να προβλέψουν αποτελεσματικά τις απότομες αλλαγές της αγοράς. Η Μηχανική Μάθηση και ιδιαίτερα οι τεχνικές Βαθιάς Μάθησης είναι μια πολλά υποσχόμενη εναλλακτική προσέγγιση που μπορεί να μοντελοποιήσει αρκετά περίπλοκα φαινόμενα και έχει βρει πολλές σχετικές εφαρμογές τα τελευταία χρόνια. Ειδικότερα, οι τεχνικές Βαθιάς Μάθησης έχουν επιδείξει αξιοσημείωτα αποτελέσματα στην μοντελοποίηση πολύπλοκων κατανομών πιθανοτήτων από τεράστιες συλλογές δεδομένων, παρέχοντας ακριβείς προβλέψεις. Η παρούσα διατριβή περιλαμβάνει μια συγκριτική μελέτη μεταξύ μεθόδων Βαθιάς Μάθησης και Αυτοπαλινδρούμενων - Κινούμενου Μέσου μοντέλων χρονοσειρών χρησιμοποιώντας την αγορά κρυπτονομισμάτων ως πεδίο πειραματικής εφαρμογής. Αρχικά αναλύεται το θεωρητικό υπόβαθρο των διερευνώμενων μεθόδων και γίνεται επίσης μια ανασκόπηση των κρυπτονομισμάτων και της υποκείμενης τεχνολογίας Κατανεμημένου Καθολικού, συμπεριλαμβανομένων των εφαρμογών της. Στη συνέχεια, διερευνώνται διαφορετικές αρχιτεκτονικές Βαθιάς Μάθησης με βάση νευρωνικά δίκτυα διαφορετικών τύπων όπως πρόσθιας τροφοδότησης, αναδρομικά και συνελικτικά. Για την πειραματική αξιολόγηση των μεθόδων συλλέχθηκαν δεδομένα από την αγορά κρυπτονομισμάτων, καλύπτοντας μια περίοδο ενός έτους για μερικά από τα πιο δημοφιλή κρυπτονομίσματα ως προς την κεφαλαιοποίηση τους, ειδικότερα το Bitcoin, το Ethereum και το Ada. Η απόδοση των προαναφερθέντων μοντέλων εξετάζεται για βραχυπρόθεσμες και μεσοπρόθεσμες προβλέψεις μίας ώρας και μίας ημέρας αντίστοιχα. Ως μετρική αξιολόγησης χρησιμοποιείται το Μέσο Τετράγωνο Σφάλμα για τη μέτρηση της διαφοράς μεταξύ προβλεπόμενων τιμών και τιμών αναφοράς καθώς και η ακρίβεια ταξινόμησης για τη σωστή πρόβλεψη αύξησης ή πτώσης των τιμών, διερευνώντας με αυτό το τρόπο τη δυνατότητα των εξεταζόμενων μεθόδων να λειτουργήσουν ως ένα Σύστημα Υποστήριξης Αποφάσεων για επενδυτές.
    • Prediction models have been widely used by market analysts in order to forecast future prices in all kinds of financial products including stocks, bonds and foreign currency. To this end, mature techniques from estimation theory, such as time series models, have played a central role for financial predictions. Nonetheless, as such models make certain assumptions regarding the stationarity of the underlying stochastic processes, they cannot effectively predict abrupt market changes. Machine Learning and particularly the advent of Deep Learning (DL) techniques has been a very promising alternative that can model quite complex phenomena, having certainly gained traction over the past years. Concretely DL techniques have shown a remarkable ability to capture the underlying probability distribution of huge data collections and provide accurate predictions. In this dissertation we make a comparative study of DL and Autoregressive Moving-Average (ARMA) time series models using the cryptocurrency market as a case study. We firstly analyse the theoretical foundation of the explored methods and also provide a review of cryptocurrencies and the underlying blockchain technology, including its applications. Subsequently, different DL architectures are investigated based on Feedforward Neural Networks (FNN), Recurrent Neural Networks (RNN) and Convolutional Neural Networks (CNN). Real data from cryptocurrency exchange are collected, covering a time span of one year for the some of the most popular cryptocurrencies with respect to market capitalization, namely Bitcoin, Ethereum and Ada. The performance of the aforementioned models is tested for short and mid-term predictions with hourly and daily time horizon respectively. The evaluation metrics used are, Mean Square Error (MSE) to measure the difference between predicted and ground truth values and classification accuracy with respect to correctly predicting prices’ rise or fall in order to evaluate the potential of the examined methods as Decision Support Systems (DSS) for investors.
  13. Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές