Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Σχολή Οικονομικών Επιστημών

Μόνιμο URI για αυτήν την κοινότηταhttps://pyxida.aueb.gr/handle/123456789/58

Η Σχολή Οικονομικών Επιστημών περιλαμβάνει τα Τμήματα: - Τμήμα Οικονομικής Επιστήμης - Τμήμα Διεθνών και Ευρωπαϊκών Οικονομικών Σπουδών.

Περιήγηση

Πλοήγηση Σχολή Οικονομικών Επιστημών ανά Συγγραφέα "Alexiou, Dimitrios"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Forecasting volatility in the cryptocurrency market: a machine learning approach
    (13-02-2024) Αλεξίου, Δημήτριος; Alexiou, Dimitrios; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Antoniou, Fabio; Dendramis, Yiannis
    Η πρόβλεψη μεταβλητότητας είναι γνωστό ότι αποτελεί πρόβλημα στον τομέα των οικονομικών. Τα κρυπτονομίσματα βρίσκονται σε άνοδο, απαιτώντας την ανάπτυξη νέων πλαισίων. Στόχος αυτής της διατριβής είναι η πρόβλεψη της μεταβλητότητας των κρυπτονομισμάτων με την εφαρμογή μοντέλων μηχανικής μάθησης και τον εντοπισμό της διαφορετικής φύσης κάθε μοντέλου. Όσον αφορά τη σχετική εργασία, τα feed-forward neural networks (FFNN) τα recurrent neural networks (RNN) και long-short-term-memory που βασίζονται σε δίκτυα έδειξαν αξιοπρεπή ευρήματα στη διεθνή βιβλιογραφία. Η εμπειρική μελέτη επικεντρώνεται στην πρόβλεψη της μεταβλητότητας των Bitcoin, Ethereum, Ripple και Litecoin χρησιμοποιώντας κλασικές μεθοδολογίες (GARCH, Random Forest) και τεχνικές βαθιάς μάθησης (αρχιτεκτονικές MLP, RNN και LSTM) και τη σύγκριση τους ενώ τα μοντέλα λαμβάνουν υπόψη εσωτερικούς και εξωτερικούς καθοριστικούς παράγοντες. Σε αυτή τη διατριβή, το μοντέλο LSTM ξεπερνά τα άλλα μοντέλα που βασίζονται στο τεστ Diebold-Mariano, ενώ λαμβάνοντας υπόψη το MAPE, το MLP παρουσίασε καλύτερα αποτελέσματα από το LSTM για το Ethereum και το Ripple χρησιμοποιώντας εσωτερικούς καθοριστικούς παράγοντες. Ωστόσο, το μοντέλο Random Forest πέτυχε την υψηλότερη κατευθυντική ακρίβεια και χαμηλό RMSE. Αποδείχθηκε ότι οι εσωτερικοί καθοριστικοί παράγοντες προβλέπουν την μεταβλητότητα καλύτερα από τους εξωτερικούς προσδιοριστές. Τέλος, παρέχεται μια ρητή επεξήγηση των βασικών πλεονεκτημάτων και μειονεκτημάτων για κάθε μοντέλο ακολουθούμενη από μια επισκόπηση του έργου για ολόκληρο το έργο και πιθανές βελτιώσεις.