Πρόβλεψη τιμής Ether με χρήση τεχνικών μηχανικής μάθησης

Πολίτης, Αγησίλαος

dc.contributor.author	Πολίτης, Αγησίλαος	el
dc.date.accessioned	2020-12-21T09:06:12Z
dc.date.available	2020-12-21T09:06:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52625
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20323
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Επιλογή χαρακτηριστικών	el
dc.subject	Κρυπτονομίσματα	el
dc.subject	Χρονοσειρές	el
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Feature selection	en
dc.subject	Ethereum	en
dc.subject	LSTM	en
dc.title	Πρόβλεψη τιμής Ether με χρήση τεχνικών μηχανικής μάθησης	el
dc.contributor.department	Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-13
heal.abstract	Η ραγδαία ανάπτυξη των κρυπτονομισμάτων τα τελευταία χρόνια τα έχει καταστήσει ως ένα από τα πλέον σημαντικά επενδυτικά κεφάλαια που ανταλλάσσονται καθημερινά. Ωστόσο οι συνεχείς και αστάθμητες διακυμάνσεις στην τιμή τους καθιστούν τη διαδικασία πρόβλεψης της αξίας τους ένα ιδιαίτερα απαιτητικό πρόβλημα που εξαρτάται από πολλούς παράγοντες και η επίλυση του οποίου έχει τη δυνατότητα να παρέχει σημαντικά περιθώρια οικονομικού κέρδους. Στην παρούσα εργασία εξετάζουμε τους παράγοντες που μπορούν να επηρεάσουν την τιμή του Ether χρησιμοποιώντας ένα σύνολο τεχνικών επιλογής χαρακτηριστικών και λαμβάνοντας υπόψιν ένα ευρύ φάσμα χαρακτηριστικών που σχετίζονται με την αγορά και το χρηματιστήριο, την δημοφιλία του Ether, τεχνικούς δείκτες της τιμής του και παραμέτρους του Ethereum blockchain. Παράλληλα αναπτύσσουμε ένα σύνολο μοντέλων μηχανικής μάθησης: LSTM, GRU, XGBoost και Ensemble που αποτελεί των συνδυασμό των τριών αυτών μοντέλων με στόχο την πρόβλεψη της τιμής του Ether σε χρονικό παράθυρο μίας και εφτά ημερών. Οι προβλέψεις της τιμής πραγματοποιούνται γύρω από δύο άξονες 1) πρόβλεψη της ακριβούς τιμής του Ether (πρόβλημα regression) και 2) πρόβλεψη αύξησης ή μείωσης της τιμής του (πρόβλημα classification). Τα μοντέλα GRU και XGBoost έχουν τις καλύτερες επιδόσεις στο regression πρόβλημα για χρονικό πλαίσιο μίας και εφτά ημερών αντίστοιχα ενώ το Ensemble μοντέλο αναδεικνύεται το καλύτερο στο classification και στις δύο περιπτώσεις σημειώνοντας προβλέψεις με ακρίβεια 82.46% και 77.19%. Οι προτεινόμενες μέθοδοι μπορούν να εφαρμοστούν σε ένα μεγάλο σύνολο κρυπτονομισμάτων και αναδεικνύουν τη δυνατότητα για προβλέψεις της τιμής τους με μεγάλη ακρίβεια.	el
heal.abstract	The rapid growth of cryptocurrencies in recent years has made them one of the most important investment funds traded daily. However, the unstable nature of their price makes the process of predicting their value a very demanding problem that depends on many factors and the solution of which has the potential to provide significant financial profit margins. In this paper we examine the factors that can affect the price of Ether by using a set of feature selection techniques and taking into account a wide range of features that have to do with trading and market, Ether popularity, technical price indicators and parameters of the Ethereum blockchain. We develop a set of machine learning models: LSTM, GRU, XGBoost and Ensemble which is a combination of these three models in order to predict the price of Ether in a time window of one and seven days. Price predictions are made around two axes 1) forecast of the exact price of Ether (regression problem) and 2) forecast increase or decrease of its price (classification problem). GRU and XGBoost models have the best performance in the regression problem for a period of one and seven days respectively, while the Ensemble model emerges as the best in the classification in both cases, achieving forecasts with an accuracy of 82.46% and 77.19%. The proposed methods can be applied to a large set of cryptocurrencies and highlight the ability to predict their price with great accuracy.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	62 σ.	el
heal.fullTextAvailability	false