Σύγκριση τεχνικών πρόβλεψης για χρονοσειρές Bitcoin
| Jazyk: | Greek, Modern (1453-)<br />Greek |
|---|---|
| Rok vydání: | 2022 |
| Předmět: | |
| DOI: | 10.26262/heal.auth.ir.341390 |
| Popis: | Στην παρούσα διπλωματική, επιχειρούμε να προβλέψουμε την τιμή του bitcoin συγκρίνοντας την επίδραση του αριθμού των χαρακτηριστικών σε διάφορα μοντέλα πρόβλεψης. Επίσης, στόχος μας είναι να προτείνουμε ένα νέο συνδυαστικό μοντέλο. Ειδικότερα, η παρούσα μελέτη συγκρίνει την ακρίβεια της πρόβλεψης των τιμών του bitcoin με τη χρήση τριών διαφορετικών μοντέλων: Long-Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA) και Support Vector Machines(SVM) όσον αφορά τα σφάλματα πρόβλεψης. Χρησιμοποιούμε Python για τους σκοπούς αυτούς σε όλα τα πειράματα. Αναφερόμαστε στα κρυπτονομίσματα και επικεντρωνόμαστε στην πρόβλεψη της χρονοσειράς Bitcoin χρησιμοποιώντας το σύνολο δεδομένων Bitcoin Historical από το Kaggle. Η χρονοσειρά τιμών Bitcoin κυμαίνεται από 2012-01-01 έως 2021-03-31, σε διαστήματα ενός λεπτού. Για να συγκρίνουμε τα αποτελέσματα των τριών μοντέλων, χωρίσαμε τα δεδομένα σε δύο υποσύνολα: εκπαίδευση (70%) και δοκιμή (30%). Σε αυτή τη διπλωματική, τα αποτελέσματα επιβεβαιώνουν όντως πως ο αριθμός των χαρακτηριστικών επηρεάζουν την πρόβλεψη και πως το νέο συνδυαστικό μοντέλο μας είναι κατά μέσο όρο καλύτερο από εκείνο του παραδοσιακού και του μοντέλου μηχανικής μάθησης. Στη βιβλιογραφία, οι επιστήμονες αναφέρουν ότι ο LSTM υπερτερεί έναντι του ARIMA και του SVM. Πράγματι, οι προβλέψεις του LSTM για τις τιμές των bitcoin υπερτερούν κατά μέσο όρο των ARIMA και SVM μετά από κατάλληλη επιλογή των χαρακτηριστικών που θα χρησιμοποιηθούν In this dissertation, we attempt to predict the price of bitcoin by comparing the impact of the number of features in different forecasting models. Also, we aim to propose a new combined model. Notably, this study compares the accuracy of the prediction of bitcoin prices using three different models: Long-Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA) and Support Vector Machines(SVM) in terms of forecasting errors. We use Python routines for such purposes in all experiments. We refer to cryptocurrencies and focus on the Bitcoin time series forecasting by using the Bitcoin Historical dataset from Kaggle. Bitcoin price time series ranges from 2012-01-01 to 2021-03-31, in one-minute intervals. To compare the results of the three models, we devided data into two subsets: training (70%) and testing (30%). In this dissertation, the results do confirm the number of features that influence forecast, and our new combined model is better on average than the traditional and machine learning models. In the literature, scientists indicate that LSTM outperforms ARIMA and SVM. Verily, LSTM forecasts of bitcoin prices outperform on average ARIMA and SVM after appropriate selection of the features to be employed |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|