Συντάχθηκε 07-03-2024 08:16
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 13/03/2024 11:00
Λήξη: 13/03/2024 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Χριστίνας - Διονυσίας Πάνου
με θέμα
Πρόβλεψη ημερήσιων τιμών κρυπτονομίσματος Bitcoin χρησιμοποιώντας μοντέλα χρονοσειρών
Next-day Bitcoin price forecasting using time series models
Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Μέλος ΕΔΙΠ Σοφία Τσακιρίδου
Περίληψη
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.
Abstract
In an era of a thriving cryptocurrency market that disrupts the traditional economic system, new opportunities for capitalization emerge, accompanied by elevated risks. Managing these risks and optimizing investment decisions is imperative, underscoring the need for dependable tools in cryptocurrency market forecasting. This thesis explores the forecasting capabilities of both the Auto-Regressive Integrated Moving Average (ARIMA) and composite Auto-Regressive Integrated Moving Average-Generalized Auto-Regressive Conditional Heteroscedastic (ARIMA-GARCH) time series models for the daily closing prices of the Bitcoin cryptocurrency. The pronounced presence of heteroscedasticity in the Bitcoin time series data renders the ARIMA models unsuitable for accurate modeling and subsequent forecasting of the data. Conversely, the ARIMA-GARCH(0,1) models effectively deal with heteroscedasticity and demonstrate adequacy in capturing the patterns and structure of the time series. This study is conducted using three distinct test time periods and experiments with various training-test splits to evaluate several ARIMA-GARCH(0,1) models. Additionally, it compares their performance to the performance of advanced Machine Learning (ML) and Deep Learning (DL) models available in the literature. Mean Square Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE) validation measures are employed for this purpose. Using prominent stock market indices as exogenous variables of ARIMA-GARCH(0,1) models leads to enhanced performance scores for many scenarios, suggesting a possible impact of the stock market on Bitcoin prices. The top-performing candidates among the proposed ARIMA-GARCH(0,1) and ARIMAX-GARCH(0,1) models exhibit similar, and in some cases, superior forecasting performance when compared to the Long Short-Term Memory (LSTM), Bidirectional-Long Short-Term Memory (Bi-LSTM), Gated Recurrent Unit (GRU), and Bidirectional-Gated Recurrent Unit (Bi-GRU) models employed in other research studies.
