Ανάλυση και πρόβλεψη της τιμής των Κρυπτονομισμάτων (Bitcoin) – Με χρήση αλγορίθμων μηχανικής μάθησης και τεχνητών νευρωνικών δικτύων
| Přispěvatelé: | Φιλιππάκης, Μιχαήλ, Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων, Πληροφοριακά Συστήματα και Υπηρεσίες |
|---|---|
| Rok vydání: | 2022 |
| Předmět: | |
| DOI: | 10.26267/unipi_dione/1947 |
| Popis: | Στα πλαίσια της παρούσας διπλωματικής εργασίας γίνεται βιβλιογραφική ανασκόπηση ερευνών, οι οποίες χρησιμοποιούν αλγορίθμους μηχανικής μάθησης και τεχνητά νευρωνικά δίκτυα για την πρόβλεψη του δείκτη τιμών κρυπτονομισμάτων και συγκεκριμένα του Bitcoin. Γίνεται αναφορά για την ιστορική αναδρομή των κρυπτονομισμάτων, για τον τρόπο λειτουργίας τους, καθώς και για την τεχνολογία και τους μηχανισμούς που κρύβονται πίσω από αυτήν. Περιγράφονται με κάθε λεπτομέρεια οι παράγοντες που επηρεάζουν την πορεία των κρυπτονομισμάτων και τις συνέπειες που έχουν αυτές οι μεταβολές στην έντονη διακύμανση της τιμής τους. Αναλύεται ο τρόπος λειτουργίας των αλγορίθμων μηχανικής μάθησης και των τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται για την πρόβλεψη του συγκεκριμένου δείκτη. Στην συνέχεια επεξηγείται ο τρόπος με τον οποίο γίνεται η συλλογή, η προεπεξεργασία και η μοντελοποίηση των δεδομένων με σκοπό την χρήση τους στους αλγόριθμους μηχανικής μάθησης που εξετάζονται. Τέλος γίνεται σύγκριση των αποτελεσμάτων που παράγονται από τα μοντέλα πρόβλεψης και παραθέτονται τα συμπερασματα που προκύπτουν για συζήτηση. In the framework of this Thesis, a bibliographic review of researches, machine learning algorithm devices and artificial neural networks for the prediction of the cryptocurrency price index, specifically Bitcoin, is carried out. Reference is made to the historical background of cryptocurrencies, how they work as well as the technology and mechanisms behind it. The factors that influence the course of cryptocurrencies and the consequences that these changes have on the sharp fluctuation of their price are described in detail. The operation of machine learning algorithms and artificial neural networks used to predict this indicator is analyzed. The following explains how data is collected, pre-processed and modeled for use in the machine learning algorithms under consideration. Finally, the results produced by the forecasting models are compared and the conclusions that emerge for discussion are presented |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|