Μέθοδοι Νευρωνικών Δικτύων Γράφων για πρόβλεψη τιμής του Bitcoin βασισμένες στους γράφους συναλλαγών του Blockchain

Κλειτσίκας, Χαράλαμπος; Kleitsikas, Charalampos

dc.contributor.author	Κλειτσίκας, Χαράλαμπος	el
dc.contributor.author	Kleitsikas, Charalampos	en
dc.date.accessioned	2023-01-13T09:19:33Z
dc.date.available	2023-01-13T09:19:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56679
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24377
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	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Γράφοι Συναλλαγών	el
dc.subject	Κρυπτονομίσματα	el
dc.subject	Χρονοσειρές	el
dc.subject	Πρόβλεψη Τιμής	el
dc.subject	Blockchain	en
dc.subject	Price Prediction	en
dc.subject	Graph Neural Networks	en
dc.subject	Transaction Graphs	en
dc.subject	Bitcoin	en
dc.title	Μέθοδοι Νευρωνικών Δικτύων Γράφων για πρόβλεψη τιμής του Bitcoin βασισμένες στους γράφους συναλλαγών του Blockchain	el
dc.title	Graph Neural Network methods for Bitcoin Price Prediction based on Blockchain Transaction Graphs	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Πρόβλεψη Χρονοσειρών	el
heal.classification	Νευρωνικά Δίκτυα Γράφων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10
heal.abstract	Υπάρχει πληθώρα δημοσιεύσεων σχετικά με τη πρόβλεψη του δημοφιλέστερου κρυπτονομίσματος αυτή τη στιγμή στην αγορά, του Bitcoin. Οι υπάρχουσες μελέτες χρησιμοποιούν διάφορα κοινωνικά, οικονομικά και τεχνικά χαρακτηριστικά μέσω συμβατικών μεθόδων μηχανικής μάθησης. Η κύρια ερευνητική συνεισφορά και ο σκοπός της παρούσας εργασίας είναι να εισάγει για πρώτη φορά στην βιβλιογραφία μια νέα μέθοδο πρόβλεψης της τιμής του Bitcoin χρησιμοποιώντας Νευρωνικά Δίκτυα Γράφων (GNN) με εισόδους τους γράφους συναλλαγών του Blockchain του Bitcoin. Αποδεικνύουμε ότι εκμεταλλευόμενα τη συνδεσιμότητα του δικτύου συναλλαγών καθώς και τα δομικά χαρακτηριστικά του, τα GNN είναι ιδανικά για να αναγνωρίζουν τοπολογικά μοτίβα τα οποία σε συνδυασμό με την παρελθοντική τιμή του BTC συμβάλλουν καθοριστικά στην πρόβλεψη της τιμής του. Κατασκευάζουμε διάφορες παραλλαγές του γράφου συναλλαγών του Bitcoin και προσδίδουμε επιπρόσθετες εξωτερικές πληροφορίες στους κόμβους του, έτσι ώστε να επεξεργάζονται με γραφοκεντρικό τρόπο, επιτυγχάνοντας ακόμα καλύτερες αποδόσεις για τις μακροχρόνιες προβλέψεις. Εξετάζουμε διάφορα σενάρια γράφων και βασικές αρχιτεκτονικές για τα GNN. Μελετούμε την απόδοση των μοντέλων στο πρόβλημα παλινδρόμησης για την ακριβή πρόβλεψη της τιμής του BTC για μία και έξι ώρες μπροστά. Γίνεται σύγκριση με τις μέχρι τώρα μεθόδους της βιβλιογραφίας και προκύπτει ότι η μέθοδος μας υπερτερεί έναντι των περισσότερων. Μέσω της δουλειάς μας ανοίγεται η δυνατότητα έρευνας σε ένα νέο συναρπαστικό πεδίο, τη πρόβλεψη τιμής με τη χρήση των state-of-the-art GNNs στους γράφους συναλλαγών, με πιο προχωρημένες τεχνικές που θα βγάλουν ακόμα καλύτερα αποτελέσματα και θα εφαρμοστούν όχι μόνο στο Bitcoin αλλά και σε άλλα διάσημα κρυπτονομίσματα.	el
heal.abstract	There is a plethora of publications about the price prediction of the most popular cryptocurrency currently on the market, Bitcoin. Existing studies use a variety of socio- economic and technical factors through conventional machine learning methods. The main research contribution and purpose of this paper is to introduce for the first time in the literature, a new method for Bitcoin price prediction, which uses Graph Neural Networks (GNN) that take as inputs the transaction graphs of the Bitcoins Blockchain. We demonstrate that by exploiting the connectivity of the transaction network as well as its structural features, GNNs are ideally suited to identify topological patterns which, combined with the past price of BTC, are instrumental in predicting its future price. We construct several variants of the Bitcoin transaction graphs and assign additional external information to its nodes so that they are processed in a graph-centric manner, achieving even better performance for long-term predictions. We consider several graph scenarios and basic architectures for GNNs. We study the performance of the models in the regression problem to accurately forecast the price of BTC for one and six hours ahead. We compare the existing methods in the literature with ours and find that our method outperforms most of them. Through our work we open up the possibility of research in an exciting new field, price prediction using state-of-the-art GNNs, with more advanced techniques that will yield even better results and will be applied not only to Bitcoin but also to other famous cryptocurrencies.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	el
heal.fullTextAvailability	false