![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/5F93768D-7EB9-4B2E-82C0-34FB214A7F66 | ||
| Έτος | 2024 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Χριστίνα-Διονυσία Πάνου, "Πρόβλεψη ημερήσιων τιμών κρυπτονομίσματος Bitcoin χρησιμοποιώντας μοντέλα χρονοσειρών", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 https://doi.org/10.26233/heallink.tuc.99131 | ||
| Εμφανίζεται στις Συλλογές |
Σε μια εποχή όπου η αγορά κρυπτονομισμάτων ακμάζει διαταράσσοντας το παραδοσιακό οικονομικό σύστημα, νέες ευκαιρίες κεφαλαιοποίησης δημιουργούνται, συνοδευόμενες, ωστόσο, από αυξημένους κινδύνους. Η διαχείριση αυτών των κινδύνων, αλλά και η βελτιστοποίηση των επενδυτικών αποφάσεων σε αυτό το νέο πεδίο είναι επιτακτική, υπογραμμίζοντας την ανάγκη για αξιόπιστα εργαλεία πρόβλεψης της αγοράς κρυπτονομισμάτων. Η παρούσα διπλωματική εργασία διερευνά τις δυνατότητες πρόβλεψης τόσο του ολοκληρωμένου αυτοπαλινδρούμενου μοντέλου κινούμενου μέσου (ARIMA) όσο και του σύνθετου (ARIMA-GARCH) ολοκληρωμένου αυτοπαλινδρούμενου μοντέλου κινούμενου μέσου σε συνδυασμό με μεταβλητότητα που ακολουθεί το μοντέλο γενικευμένης αυτοπαλινδρούμενης δεσμευμένης ετεροσκεδαστικότητας για τις ημερήσιες τιμές κλεισίματος του κρυπτονομίσματος Bitcoin. Η έντονη παρουσία ετεροσκεδαστικότητας στα δεδομένα της χρονοσειράς Bitcoin καθιστά τα μοντέλα ARIMA ακατάλληλα για ακριβή μοντελοποίηση και επακόλουθη πρόβλεψη των δεδομένων. Από την άλλη, τα σύνθετα μοντέλα ARIMA-GARCH(0,1) αντιμετωπίζουν αποτελεσματικά την ετεροσκεδαστικότητα και επιδεικνύουν επάρκεια στην αποτύπωση των μοτίβων και της δομής της χρονοσειράς. Η μελέτη διεξάγεται χρησιμοποιώντας τρεις διακριτές χρονικές περιόδους δοκιμών και πειραματίζεται με διάφορες αναλογίες δεδομένων εκπαίδευσης και δεδομένων επικύρωσης για την αξιολόγηση πολλών διαφορετικών μοντέλων ARIMA-GARCH(0,1). Επιπλέον, συγκρίνει την απόδοσή τους με εκείνη ορισμένων προηγμένων μοντέλων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) της βιβλιογραφίας. Για το σκοπό αυτό χρησιμοποιούνται οι μέθοδοι μέτρησης του μέσου τετραγωνικού σφάλματος (MSE), της ρίζας του μέσου τετραγώνου σφάλματος (RMSE) και του μέσου απόλυτου ποσοστού σφάλματος (MAPE). Η χρήση σημαντικών δεικτών της χρηματιστηριακής αγοράς ως εξωγενών μεταβλητών σε μοντέλα ARIMA-GARCH(0,1) βελτιώνει την απόδοση σε πολλά σενάρια, υποδηλώνοντας την πιθανή επίδραση της χρηματιστηριακής αγοράς στις τιμές του Bitcoin. Ανάμεσα στα υπό εξέταση ARIMA-GARCH(0,1) και ARIMAX-GARCH(0,1) μοντέλα, εκείνα με τις καλύτερες επιδόσεις παρουσιάζουν παρόμοια, και σε ορισμένες περιπτώσεις, ανώτερη απόδοση πρόβλεψης σε σύγκριση με τα μοντέλα μακράς βραχύχρονης μνήμης (LSTM), αμφίδρομης μακράς βραχύχρονης μνήμης (Bi-LSTM), ανατροφοδοτούμενης μονάδας με πύλες ελέγχου (GRU) και αμφίδρομης ανατροφοδοτούμενης μονάδας με πύλες ελέγχου (Bi-GRU) από άλλες ερευνητικές μελέτες.
Copyright © DIAS 2013
