Ανάπτυξη και αξιολόγηση αλγορίθμων μηχανικής μάθησης και νευρωνικών δικτύων σε δεδομένα κοινωνικών δικτύων με εφαρμογή στις μεταβολές των κρυπτονομισμάτων

Πασπάλας, Βασίλειος; Paspalas, Vasileios

dc.contributor.author	Πασπάλας, Βασίλειος	el
dc.contributor.author	Paspalas, Vasileios	en
dc.date.accessioned	2019-04-08T10:36:33Z
dc.date.available	2019-04-08T10:36:33Z
dc.date.issued	2019-04-08
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48589
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16549
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Κρυπτονομίσματα	el
dc.subject	Cryptocurrencies	en
dc.subject	Χρηματιστήριο	el
dc.subject	Stock exchange	en
dc.subject	Εντοπισμός νέων	el
dc.subject	Event detection	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.subject	Πρόβλεψη τιμών	el
dc.subject	Values prediction	en
dc.title	Ανάπτυξη και αξιολόγηση αλγορίθμων μηχανικής μάθησης και νευρωνικών δικτύων σε δεδομένα κοινωνικών δικτύων με εφαρμογή στις μεταβολές των κρυπτονομισμάτων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine learning	en
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85079324
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-30
heal.abstract	Η έλευση των κρυπτονομισμάτων είχε ως αποτέλεσμα την δημιουργία ηλεκτρονικών ανταλλακτηρίων στα οποία διενεργούνται αγοραπωλησίες μεταξύ κρυπτονομισμάτων αλλά και συναλλάγματος, όπως ευρώ, δολαρίων κτλ. Όπως στην αγορά συναλλάγματος και στα Χρηματιστήρια μετοχών, έτσι και σε αυτά τα ανταλλακτήρια υπάρχουν διακυμάνσεις στις τιμές των κρυπτονομισμάτων. Οι συγκεκριμένες τιμές επηρεάζονται από την προσφορά και την ζήτηση των συμμετεχόντων σε αυτά τα ανταλλακτήρια. Με την εδραίωση των μέσων κοινωνικής δικτύωσης, όπως το Twitter και το Facebook, πολλοί άνθρωποι έχουν επιλέξει ως μέσο ενημέρωσης τις σελίδες που ενημερώνουν μεγάλες δημοσιογραφικές υπηρεσίες, όπως το Bloomberg και το CNN, στις πλατφόρμες αυτές. Αυτό συμβαίνει καθώς με τις ειδοποιήσεις που αποστέλλουν οι πλατφόρμες κοινωνικής δικτύωσης, υπάρχει άμεση και έγκυρη ενημέρωση των χρηστών για τα νέα που διαδραματίζονται ανά τον κόσμο σε κοινωνικό, πολιτικό και οικονομικό επίπεδο. Στην συγκεκριμένη εργασία, μελετάμε την επιρροή που μπορεί να έχει η δημοσιοποίηση οικονομικών νέων σχετικά με τα κρυπτονομίσματα, συγκεκριμένα με το Bitcoin, στις τιμές αυτών στα ηλεκτρονικά ανταλλακτήρια ανά τον κόσμο. Για την υλοποίησή της χρησιμοποιήσαμε αναρτήσεις που έγιναν στο Twitter από 1/1/2017 έως 31/12/2017 από μεγάλες ειδησεογραφικές επιχειρήσεις που ενημερώνουν τις σελίδες τους στο Twitter. Στη συνέχεια με τη χρήση της επιβλεπόμενης μηχανικής μάθησης, και συγκεκριμένα με τη δημιουργία νευρωνικών δικτύων, δημιουργήσαμε και αξιολογήσαμε αλγορίθμους οι οποίοι προβλέπουν, με μεγάλη επιτυχία, την άνοδο ή την κάθοδο των τιμών των κρυπτονομισμάτων βάσει των νέων που προκύπτουν από τις αναρτήσεις που περιγράψαμε παραπάνω.	el
heal.abstract	Cryptocurrencies spread had as a result the creation of many electronic digital exchanges, which trade cryptocurrencies or digital currencies for other assets, such as conventional fiat money or other digital currencies. The volatility of the cryptocurrencies’ values is influenced by the bid/ask, like it happens to the traditional foreign and stock exchanges. Many people, due to the proliferation and the spread of social media platforms, like Twitter and Facebook, are getting informed for the latest news from pages that large media organizations, like Bloomberg and CNN, are updating to these platforms. This happens because people are getting instantly and accurately informed for breaking news all over the world via notification systems that social media platforms have developed. The content of these news varies from economic to politics and social news. This paper focuses on the influence that news might have on the volatility of cryptocurrencies, specifically the Bitcoin’s. To implement this approach we used posts that were published on Twitter between 1/1/2017 and 31/12/2017 from large media organizations. Moreover, we used Machine Learning technics, concretely Neural Networks, to implement and evaluate algorithms, which can precisely predict the volatility of the cryptocurrencies’ values, based on the above news.	en
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	119 σ.
heal.fullTextAvailability	true