Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2020-10-07
Συγγραφέας:
ΓΑΓΓΑΣ ΔΗΜΗΤΡΙΟΣ
Στοιχεία επιβλεπόντων καθηγητών:
Ιωάννης Εμίρης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Deep Learning for cryptocurrency assets: Employing series forecasting models for price prediction and uncertainty quantification
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Βαθιά μάθηση για κρυπτονομίσματα: Χρησιμοποιώντας μοντέλα πρόβλεψης σειρών για εκτίμηση τιμών και ποσοτικοποίηση αβεβαιότητας
Περίληψη:
Η πρόβλεψη τιμής θεωρείται μια από τις μεγαλύτερες προκλήσεις στον κλάδο της χρηματοοικονομικής και ποσοτικής ανάλυσης. Στο πλαίσιο των χρονοσειρών, τα κρυπτονομίσματα είναι από τα πλέον πιο ασταθή και ριψοκίνδυνα, γεγονός που καθιστά το έργο της πρόβλεψης τους ακόμη πιο προβληματικό.
Η παρούσα πτυχιακή παρουσιάζει μια σειρά από νευρωνικά δίκτυα με σκοπό την επίλυση του προβλήματος της πρόβλεψης των τιμών τους βασισμένη στη Βαθιά Μάθηση.
Παρά τις όποιες δυσκολίες, η συγκεκριμένη έρευνα εστιάζεται σε δύο ξεχωριστές εφαρμογές.
Η πρώτη εφαρμογή αφορά την πρόβλεψη τόσο των αυριανών υψηλότερων και χαμηλότερων τιμών όσο και των αυριανών τιμών με τις οποίες ανοίγει και κλείνει το Bitcoin και το Litecoin. Ειδικότερα, σε αυτή την εφαρμογή, δοκιμάστηκαν μια ευρεία γκάμα από νευρωνικά δίκτυα και μεταξύ αυτών, εκείνο που έδωσε τα καλύτερα αποτελέσματα συνολικά, αποδείχθηκε ότι είναι η αρχιτεκτονική ανατροφοδοτούμενου νευρωνικού δικτύου γνωστή ως LSTM, της οποίας οι υπερ-παράμετροι ρυθμίστηκαν από τον αλγόριθμο Μπαεζιανής Βελτιστοποίησης.
Η δεύτερη εφαρμογή προσπαθεί να εκτιμήσει το διάστημα διακύμανσης της αυριανής τιμής κλεισίματος του Bitcoin.
Για την επίλυση της, δημιουργήθηκε ένα προσεγγιστικό Μπαεζιανό νευρωνικό δίκτυο με σκοπό την παροχή εκτίμησης της αβεβαιότητας για το Bitcoin. Η αβεβαιότητα σε αυτήν την περίπτωση προσδιορίζεται με τη χρήση διαστημάτων πρόβλεψης, εκτιμώντας το εύρος στο οποίο θα εντοπιστούν τα μελλοντικά αποτελέσματα.
Η έρευνα της παρούσας πτυχιακής, παρόλο που επικεντρώνεται κυρίως για το Bitcoin και το Litecoin, θα μπορούσε εύκολα να επεκταθεί για οποιαδήποτε άλλο κρυπτονόμισμα ή μετοχή χρησιμοποιώντας τις μεθοδολογίες που παρουσιάζονται.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Bαθιά μάθηση, Νευρωνικά Δίκτυα, Μπαεζιανά Νευρωνικά Δίκτυα, LSTM, Μπαεζιανή Βελτιστοποίηση, Κρυπτονομίσματα
Αρ. σελίδων ευρετηρίου:
4
Αρ. βιβλιογραφικών αναφορών:
35
