BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20240307T081603Z LAST-MODIFIED:20240307T081603Z DTSTAMP:20260616T003812Z UID:1781559492@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Χριστίνας - Διονυσίας Πάνου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=6816&cHash=e4 942562f4e886a05286d08d99070d84\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Χρ ιστίνας - Διονυσίας Πάνου \n με θέμα \n Πρόβλεψη ημερήσιων τιμών κρυπτονο μίσματος Bitcoin χρησιμοποιώντας μον τέλα χρονοσειρών\n Next-day Bitcoin price forecasting using time series models\n Εξεταστική Επιτροπή\n Καθηγ ητής Διονύσιος Χριστόπουλος (επιβλέπ ων)\n Καθηγητής Μιχαήλ Ζερβάκης\n Μέ λος ΕΔΙΠ Σοφία Τσακιρίδου\n Περίληψη \n Σε μια εποχή όπου η αγορά κρυπτον ομισμάτων ακμάζει διαταράσσοντας το παραδοσιακό οικονομικό σύστημα, νέες ευκαιρίες κεφαλαιοποίησης δημιουργο ύνται, συνοδευόμενες, ωστόσο, από αυ ξημένους κινδύνους. Η διαχείριση αυτ ών των κινδύνων, αλλά και η βελτιστο ποίηση των επενδυτικών αποφάσεων σε αυτό το νέο πεδίο είναι επιτακτική, υπογραμμίζοντας την ανάγκη για αξιόπ ιστα εργαλεία πρόβλεψης της αγοράς κ ρυπτονομισμάτων. Η παρούσα διπλωματι κή εργασία διερευνά τις δυνατότητες πρόβλεψης τόσο του ολοκληρωμένου αυτ οπαλινδρούμενου μοντέλου κινούμενου μέσου (ARIMA) όσο και του σύνθετου ( ARIMA-GARCH) ολοκληρωμένου αυτοπαλιν δρούμενου μοντέλου κινούμενου μέσου σε συνδυασμό με μεταβλητότητα που ακ ολουθεί το μοντέλο γενικευμένης αυτο παλινδρούμενης δεσμευμένης ετεροσκεδ αστικότητας για τις ημερήσιες τιμές κλεισίματος του κρυπτονομίσματος Bit coin. Η έντονη παρουσία ετεροσκεδαστ ικότητας στα δεδομένα της χρονοσειρά ς Bitcoin καθιστά τα μοντέλα ARIMA α κατάλληλα για ακριβή μοντελοποίηση κ αι επακόλουθη πρόβλεψη των δεδομένων . Από την άλλη, τα σύνθετα μοντέλα A RIMA-GARCH(0,1) αντιμετωπίζουν αποτε λεσματικά την ετεροσκεδαστικότητα κα ι επιδεικνύουν επάρκεια στην αποτύπω ση των μοτίβων και της δομής της χρο νοσειράς. Η μελέτη διεξάγεται χρησιμ οποιώντας τρεις διακριτές χρονικές π εριόδους δοκιμών και πειραματίζεται με διάφορες αναλογίες δεδομένων εκπα ίδευσης και  δεδομένων επικύρωσης γι α την αξιολόγηση πολλών διαφορετικών μοντέλων ARIMA-GARCH(0,1). Επιπλέον , συγκρίνει την απόδοσή τους με εκεί νη ορισμένων προηγμένων μοντέλων μηχ ανικής μάθησης (ML) και βαθιάς μάθησ ης (DL) της βιβλιογραφίας. Για το σκ οπό αυτό χρησιμοποιούνται οι μέθοδοι μέτρησης του μέσου τετραγωνικού σφά λματος (MSE), της ρίζας του μέσου τε τραγώνου σφάλματος (RMSE) και του μέ σου απόλυτου ποσοστού σφάλματος (MAP E). Η χρήση σημαντικών δεικτών της χ ρηματιστηριακής αγοράς ως εξωγενών μ εταβλητών σε μοντέλα ARIMA-GARCH(0,1 ) βελτιώνει την απόδοση σε πολλά σεν άρια, υποδηλώνοντας την πιθανή επίδρ αση της χρηματιστηριακής αγοράς στις τιμές του Bitcoin. Ανάμεσα στα υπό εξέταση ARIMA-GARCH(0,1) και ARIMAX- GARCH(0,1) μοντέλα, εκείνα με τις κα λύτερες επιδόσεις παρουσιάζουν παρόμ οια, και σε ορισμένες περιπτώσεις, α νώτερη απόδοση πρόβλεψης σε σύγκριση με τα μοντέλα μακράς βραχύχρονης μν ήμης (LSTM), αμφίδρομης μακράς βραχύ χρονης μνήμης (Bi-LSTM), ανατροφοδοτ ούμενης μονάδας με πύλες ελέγχου (GR U) και αμφίδρομης ανατροφοδοτούμενης μονάδας με πύλες ελέγχου (Bi-GRU) α πό άλλες ερευνητικές μελέτες.\n Abst ract \n In an era of a thriving cryp tocurrency market that disrupts the traditional economic system, new opp ortunities for capitalization emerge , accompanied by elevated risks. Man aging these risks and optimizing inv estment decisions is imperative, und erscoring the need for dependable to ols in cryptocurrency market forecas ting. This thesis explores the forec asting capabilities of both the Auto -Regressive Integrated Moving Averag e (ARIMA) and composite Auto-Regress ive Integrated Moving Average-Genera lized Auto-Regressive Conditional He teroscedastic (ARIMA-GARCH) time ser ies models for the daily closing pri ces of the Bitcoin cryptocurrency. T he pronounced presence of heterosced asticity in the Bitcoin time series data renders the ARIMA models unsuit able for accurate modeling and subse quent forecasting of the data. Conve rsely, the ARIMA-GARCH(0,1) models e ffectively deal with heteroscedastic ity and demonstrate adequacy in capt uring the patterns and structure of the time series. This study is condu cted using three distinct test time periods and experiments with various training-test splits to evaluate se veral ARIMA-GARCH(0,1) models. Addit ionally, it compares their performan ce to the performance of advanced Ma chine Learning (ML) and Deep Learnin g (DL) models available in the liter ature. Mean Square Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE) val idation measures are employed for th is purpose. Using prominent stock ma rket indices as exogenous variables of ARIMA-GARCH(0,1) models leads to enhanced performance scores for many scenarios, suggesting a possible im pact of the stock market on Bitcoin prices. The top-performing candidate s among the proposed ARIMA-GARCH(0,1 ) and ARIMAX-GARCH(0,1) models exhib it similar, and in some cases, super ior forecasting performance when com pared to the Long Short-Term Memory (LSTM), Bidirectional-Long Short-Ter m Memory (Bi-LSTM), Gated Recurrent Unit (GRU), and Bidirectional-Gated Recurrent Unit (Bi-GRU) models emplo yed in other research studies. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240313T110000 DTEND:20240313T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR