Μηχανική μάθηση και ανάλυση συναισθήματος για την πρόβλεψη της τιμής του Bitcoin

Δερβένης, Νικόλας; Dervenis, Nikolas

dc.contributor.author	Δερβένης, Νικόλας	el
dc.contributor.author	Dervenis, Nikolas	en
dc.date.accessioned	2020-04-13T14:33:59Z
dc.date.available	2020-04-13T14:33:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50145
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17843
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	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ανάλυση συναισθήματος	el
dc.subject	Κρυπτονομίσματα	el
dc.subject	Χρονοσειρές	el
dc.subject	Blockchain	en
dc.subject	Cryptocurrency	en
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Bitcoin	en
dc.title	Μηχανική μάθηση και ανάλυση συναισθήματος για την πρόβλεψη της τιμής του Bitcoin	el
heal.type	bachelorThesis
heal.generalDescription	Η παρούσα εργασία εξετάζει πως μέθοδοι μηχανικής μάθησης και ανάλυσης συναισθήματος μπορούν να βοηθήσουν στην πρόβλεψη της μελλοντικής τιμής του Bitcoin.	el
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-01
heal.abstract	Στην παρούσα διπλωματική εργασία εξετάστηκε αν η πληροφορία που υπάρχει στο Δια- δίκτυο μπορεί να χρησιμοποιηθεί για την πρόβλεψη της τιμής των κρυπτονομισμάτων. Συ- γκεκριμένα, χρησιμοποιώντας αναδρομικά νευρωνικά δίκτυα, στόχος ήταν να προβλεφθεί η κίνηση (προς τα πάνω ή προς τα κάτω) της τιμής του Bitcoin, σε περίοδο μιας ημέρας. Για το σκοπό αυτό, τα επιμέρους μοντέλα που εκπαιδεύτηκαν δεχόντουσαν ως είσοδο πληροφορία από τις παλαιότερες τιμές του Bitcoin, την ανάλυση συναισθήματος της καθημερινής ειδησε- ογραφίας (θετική ή αρνητική), τα Google Trends και τα tweets σχετικά με το συγκεκριμένο κρυπτονόμισμα. Τα αποτελέσματα έδειξαν πως τα πιο απλά μοντέλα, που βασίζονται μόνο στις παλαιότερες τιμές του Bitcoin και στην ανάλυση συναισθήματος της καθημερινής ει- δησεογραφίας, έδωσαν την καλύτερη απόδοση με ποσοστό επιτυχούς πρόβλεψης 84:21%. Τέλος, τα αποτελέσματα οδηγούν στην παραδοχή ότι η πληροφορία από τα Google Trends και τα tweets, στην περίοδο μιας ημέρας, δεν φαίνεται να συμβάλλει θετικά στην πρόβλεψη, τουλάχιστον στο βαθμό που αναλύθηκε.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Ευφυών Επικοινωνιών και Δικτύων Ευρείας Ζώνης	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.
heal.fullTextAvailability	true