Σύγκριση μοντέλων μηχανικής μάθησης στη πρόβλεψη κρυπτονομισμάτων
Comparing machine learning models in cryptocurrency forecasting
Λέξεις-κλειδιά
Μηχανική μάθηση ; Προβλεπτική ανάλυση ; Κρυπτονομίσματα ; Πρόβλεψη κρυπτονομισμάτων ; Μοντέλα μηχανικής μάθησηςΠερίληψη
Η πρόβλεψη πριν από κάθε απόφαση στο χρηματοοικονομικό τομέα είναι ζωτικής
σημασίας. Μέχρι πρόσφατα το ζήτημα αυτό είχαν αναλάβει εξ’ ολοκλήρου οι οικονομολόγοι.
Τελευταία όμως, η τεχνολογία είναι ένας σοβαρός διεκδικητής του έργου αυτού. Με την
πρόσφατη πρόοδο στην υπολογιστική ισχύ των υπολογιστών και πιο σημαντικό την ανάπτυξη
πιο προηγμένων μοντέλων μηχανικής μάθησης, δημιουργούνται νέοι αλγόριθμοι για την
πρόβλεψη δεδομένων χρονοσειρών. Γενικά, υπάρχουν αρκετές τεχνικές για την
αποτελεσματική πρόβλεψη των μελλοντικών δεδομένων χρονοσειρών, με τα στατιστικά
μοντέλα, να χρησιμοποιούν, μεταξύ άλλων χαρακτηριστικών , την περιοδικότητα των
χρονοσειρών για να κάνουν αξιόλογες προβλέψεις. Τί γίνεται όμως στην περίπτωση που οι
χρονοσειρές δεν έχουν περιοδικότητα; Η φύση των χρονοσειρών των κρυπτονομισμάτων είναι
τέτοια που δεν επηρεάζονται από δεδομένα του παρελθόντος αλλά από εξωτερικούς
παράγοντες όπως η προσφορά και η ζήτηση. Για το λόγο αυτό, πέρα από στατιστικά μοντέλα
θα γίνει και χρήση μοντέλου νευρωνικών δικτύων, ένα ισχυρό εργαλείο γενικού σκοπού της
μηχανικής μάθησης. Στη μελέτη αυτή θα γίνει η ανάλυση των δύο αυτών διαφορετικών
φιλοσοφιών προσέγγισης, καθώς και η σύγκριση των αποτελεσμάτων αυτών.
Περίληψη
Forecasting before any decision in financials is vital. Until recently, this issue was taken up
entirely by economists. Lately, technology is a serious contender for this project. With recent
advances in computing power and more importantly the development of more advanced
machine learning models, new algorithms for predicting time series data are being created. In
general, there are several techniques for effectively predicting future time series data, with
statistical models using, among other features, time series seasonality to make remarkable
predictions. But what if the time series do not have seasonality? The nature of cryptocurrency
time series is such that they are not influenced by past data but by external factors such as
supply and demand. For this reason, in addition to statistical models, a neural network model
will be used, a powerful tool of general purpose in machine learning. This study will analyze
these two different approaches, as well as compare the results they give.
Αριθμός σελίδων
90Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές