Συντάχθηκε 10-02-2025 10:45
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/02/2025 13:00
Λήξη: 14/02/2025 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Παρασκευή, 14 Φεβρουαρίου 2025, 13:00
https://tuc-gr.zoom.us/j/82617003433?pwd=ZVJoemtxa2JHYUtkYW9Nd0RpQlpzdz09
Ονοματεπώνυμο: ΠΕΤΡΑΚΗΣ ΒΑΣΙΛΕΙΟΣ
Θέμα: Νεύρο-ασαφείς τεχνικές πρόβλεψης κρυπτονομισμάτων
Title: Fuzzy techniques for cryptocurrency forecasting.
Εξεταστική Επιτροπή
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
- ΚΡΑΣΑΔΑΚΗ ΕΥΑΓΓΕΛΙΑ, ΕΔΙΠ
Περίληψη
Σε αυτή τη διπλωματική εργασία, επιδιώκεται η πρόβλεψη των τιμών κλεισίματος κρυπτονομισμάτων μέσω της εφαρμογής ενός προσαρμοστικού νευρό-ασαφούς συστήματος (Adaptive Neuro-Fuzzy System – ANFIS) και μέσω των ασαφών συνόλων (fuzzy type-2). Τα κρυπτό νομίσματα ενώ δεν αντιπροσωπεύουν νομίσματα ούτε επενδυτικά αγαθά με την παραδοσιακή έννοια, έχουν όμως προσελκύσει το ενδιαφέρον πολλών επενδυτών με αποτέλεσμα να διακινούνται τεράστια ποσά στην παγκόσμια οικονομία μέσω των κρυπτό-νομισμάτων. Οι διακυμάνσεις των τιμών τους, δίνει την δυνατότητα σε πολλούς επαγγελματίες συναλλαγών κρυπτό-νομισμάτων να αποκομίζουν σημαντικά κέρδη και φυσικά οι μη έχοντες εμπειρία να υπόκειται σε σημαντικές ζημιές. Το σύστημα ANFIS και το fuzzy type-2 επιλέχθηκε από μία πληθώρα μεθόδων πρόβλεψης, για τις δυνατότητες που παρέχει ο συνδυασμός της ασαφούς λογικής και των τεχνητών νευρωνικών δικτύων που δομούν τον αλγόριθμο ANFIS. Στο σύστημα fuzzy type-2 η βελτιστοποίηση του μοντέλου θα γίνει με τον αλγόριθμο Particle Swarm. Τα αποτελέσματα θα συγκριθούν, με παραδοσιακές μεθόδους πρόβλεψης, την Αυτοπαλινδρόμηση – (Auto Regression) και την αυτοπαλινδρόμηση κινούμενου μέσου όρου (Auto Regression Moving Average) για τη περαιτέρω αξιολόγηση των αποτελεσμάτων.
Abstract
In this thesis, the prediction of cryptocurrency closing prices is pursued through the application of an adaptive neuro-fuzzy inference system (ANFIS) and the implementation of fuzzy sets (fuzzy type-2). Cryptocurrencies, while they do not represent traditional currencies (fiat currencies) or investment assets in a conventional way, have nonetheless attracted the interest of many investors, resulting in the circulation of vast amounts of capital in the global economy due to cryptocurrencies. Their price fluctuations provide an opportunity for many professional cryptocurrency traders to earn significant profits, while inexperienced traders are subject to substantial losses. The ANFIS system and the fuzzy type-2 method were selected from a variety of forecasting methods due to the advantages offered by the combination of fuzzy logic and artificial neural networks, which form the basis of the ANFIS algorithm. In the fuzzy type-2 system, model optimization will be performed using the particle swarm algorithm (PSO). The results will be compared with traditional forecasting methods, such as auto regression (AR) and auto regression moving average (ARMA), for further evaluation of the outcomes.
