Σύγκριση μοντέλων μηχανικής μάθησης στη πρόβλεψη κρυπτονομισμάτων

Χρανιώτης, Παναγιώτης-Ιάσων

dc.contributor.advisor	Φατούρος, Σταύρος
dc.contributor.author	Χρανιώτης, Παναγιώτης-Ιάσων
dc.date.accessioned	2022-09-28T07:43:29Z
dc.date.available	2022-09-28T07:43:29Z
dc.date.issued	2021-10-16
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/2922
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-2762
dc.description.abstract	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.	el
dc.format.extent	90	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Προβλεπτική ανάλυση	el
dc.subject	Κρυπτονομίσματα	el
dc.subject	Πρόβλεψη κρυπτονομισμάτων	el
dc.subject	Μοντέλα μηχανικής μάθησης	el
dc.title	Σύγκριση μοντέλων μηχανικής μάθησης στη πρόβλεψη κρυπτονομισμάτων	el
dc.title.alternative	Comparing machine learning models in cryptocurrency forecasting	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Μελετίου, Γεώργιος
dc.contributor.committee	Karolidis, Dimitrios
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	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.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Chraniotis_141002.pdf
Μέγεθος:: 3.938Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές