{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3388578"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3388578","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bitcoin: A Comparative Analysis Between Regression and Classification Models and Their Applications in Trading","abstract":"Η αγορά του Bitcoin (BTC), γνωστή για τη δυναμική και ασταθή φύση της, αποτελεί σημαντική πρόκληση στο να προβλέψει κανείς ακριβώς τις τιμές και τις κατευθυντικές κινήσεις. Ως απάντηση στην πρόκληση αυτή, η διπλωματική αυτή εργασία εξετάζει την εφαρμογή των νευρωνικών δικτύων Recurrent Neural Network (RNN) στην πρόβλεψη, συμπεριλαμβανομένων των αρχιτεκτονικών Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) και Bi-directional, ως ισχυρά εργαλεία για να συνεισφέρουν στον προγνωστικό χώρο του κρυπτονομίσματος. Για να αξιολογηθεί η αποτελεσματικότητά τους, χρησιμοποιούνται μοντέλα ARIMA ως σημείο αναφοράς, εφαρμόζοντας διάφορες μεθόδους πρόβλεψης για τη βελτιστοποίηση της απόδοσης. Το κίνητρο πίσω από αυτήν την έρευνα οφείλεται στην φιλοπεριέργεια να αναδειχθεί η πρακτική εφαρμογή των προβλέψεων των μοντέλων στο πλαίσιο των στρατηγικών συναλλαγών. Προσομοιώνοντας αυτές τις στρατηγικές υπό ιδανικές συνθήκες σε πέντε διακριτές περιόδους μελέτης, καθεμιά αντικατοπτρίζοντας διαφορετικές συμπεριφορές και τάσεις της αγοράς, η έρευνα αυτή στοχεύει στο να ανακαλύψει χρήσιμα συμπεράσματα στην απόδοση των μοντέλων RNN στην αγορά του κρυπτονομίσματος. Επιπλέον, η μελέτη επεκτείνεται στο δείκτη SP500, ένα λιγότερο ασταθές χρηματοοικονομικό μέσο, για να διερευνήσει τη γενίκευση των μοντέλων RNN πέραν του κρυπτονομίσματος. Είναι σημαντικό να σημειωθεί ότι τα μοντέλα ταξινόμησης επέδειξαν υπεροχή σε σχέση με τα μοντέλα παλινδρόμησης σε όλες τις περιόδους μελέτης, τονίζοντας τη σημασία της αναγνώρισης τάσης στην πρόβλεψη των κινήσεων της τιμής του Bitcoin. Τα ευρήματα υπογραμμίζουν την πολυπλοκότητα της συμπεριφοράς της αγοράς του Bitcoin και επισημαίνουν την ανάγκη για μια πολυπολική προσέγγιση, λαμβάνοντας υπόψη την κατευθυντική ακρίβεια σε συνδυασμό με άλλους κρίσιμους παράγοντες που επηρεάζουν τα αποτελέσματα των συναλλαγών.","abstract_html":"Η αγορά του Bitcoin (BTC), γνωστή για τη δυναμική και ασταθή φύση της, αποτελεί σημαντική πρόκληση στο να προβλέψει κανείς ακριβώς τις τιμές και τις κατευθυντικές κινήσεις. Ως απάντηση στην πρόκληση αυτή, η διπλωματική αυτή εργασία εξετάζει την εφαρμογή των νευρωνικών δικτύων Recurrent Neural Network (RNN) στην πρόβλεψη, συμπεριλαμβανομένων των αρχιτεκτονικών Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) και Bi-directional, ως ισχυρά εργαλεία για να συνεισφέρουν στον προγνωστικό χώρο του κρυπτονομίσματος. Για να αξιολογηθεί η αποτελεσματικότητά τους, χρησιμοποιούνται μοντέλα ARIMA ως σημείο αναφοράς, εφαρμόζοντας διάφορες μεθόδους πρόβλεψης για τη βελτιστοποίηση της απόδοσης. Το κίνητρο πίσω από αυτήν την έρευνα οφείλεται στην φιλοπεριέργεια να αναδειχθεί η πρακτική εφαρμογή των προβλέψεων των μοντέλων στο πλαίσιο των στρατηγικών συναλλαγών. Προσομοιώνοντας αυτές τις στρατηγικές υπό ιδανικές συνθήκες σε πέντε διακριτές περιόδους μελέτης, καθεμιά αντικατοπτρίζοντας διαφορετικές συμπεριφορές και τάσεις της αγοράς, η έρευνα αυτή στοχεύει στο να ανακαλύψει χρήσιμα συμπεράσματα στην απόδοση των μοντέλων RNN στην αγορά του κρυπτονομίσματος. Επιπλέον, η μελέτη επεκτείνεται στο δείκτη SP500, ένα λιγότερο ασταθές χρηματοοικονομικό μέσο, για να διερευνήσει τη γενίκευση των μοντέλων RNN πέραν του κρυπτονομίσματος. Είναι σημαντικό να σημειωθεί ότι τα μοντέλα ταξινόμησης επέδειξαν υπεροχή σε σχέση με τα μοντέλα παλινδρόμησης σε όλες τις περιόδους μελέτης, τονίζοντας τη σημασία της αναγνώρισης τάσης στην πρόβλεψη των κινήσεων της τιμής του Bitcoin. Τα ευρήματα υπογραμμίζουν την πολυπλοκότητα της συμπεριφοράς της αγοράς του Bitcoin και επισημαίνουν την ανάγκη για μια πολυπολική προσέγγιση, λαμβάνοντας υπόψη την κατευθυντική ακρίβεια σε συνδυασμό με άλλους κρίσιμους παράγοντες που επηρεάζουν τα αποτελέσματα των συναλλαγών.","abstract_has_math":false,"creators":["Κωστοπούλου Φωτεινή-Μαρία","Kostopoulou Foteini-Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:51Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388578"],"render_values":[{"text":"uoadl:3388578","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388578","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388578","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3388578","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κωστοπούλου Φωτεινή-Μαρία","Kostopoulou Foteini-Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388578","https://pergamos.lib.uoa.gr/uoa/dl/object/3388578"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η αγορά του Bitcoin (BTC), γνωστή για τη δυναμική και ασταθή φύση της, αποτελεί σημαντική πρόκληση στο να προβλέψει κανείς ακριβώς τις τιμές και τις κατευθυντικές κινήσεις. Ως απάντηση στην πρόκληση αυτή, η διπλωματική αυτή εργασία εξετάζει την εφαρμογή των νευρωνικών δικτύων Recurrent Neural Network (RNN) στην πρόβλεψη, συμπεριλαμβανομένων των αρχιτεκτονικών Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) και Bi-directional, ως ισχυρά εργαλεία για να συνεισφέρουν στον προγνωστικό χώρο του κρυπτονομίσματος. Για να αξιολογηθεί η αποτελεσματικότητά τους, χρησιμοποιούνται μοντέλα ARIMA ως σημείο αναφοράς, εφαρμόζοντας διάφορες μεθόδους πρόβλεψης για τη βελτιστοποίηση της απόδοσης. Το κίνητρο πίσω από αυτήν την έρευνα οφείλεται στην φιλοπεριέργεια να αναδειχθεί η πρακτική εφαρμογή των προβλέψεων των μοντέλων στο πλαίσιο των στρατηγικών συναλλαγών. Προσομοιώνοντας αυτές τις στρατηγικές υπό ιδανικές συνθήκες σε πέντε διακριτές περιόδους μελέτης, καθεμιά αντικατοπτρίζοντας διαφορετικές συμπεριφορές και τάσεις της αγοράς, η έρευνα αυτή στοχεύει στο να ανακαλύψει χρήσιμα συμπεράσματα στην απόδοση των μοντέλων RNN στην αγορά του κρυπτονομίσματος. Επιπλέον, η μελέτη επεκτείνεται στο δείκτη SP500, ένα λιγότερο ασταθές χρηματοοικονομικό μέσο, για να διερευνήσει τη γενίκευση των μοντέλων RNN πέραν του κρυπτονομίσματος. Είναι σημαντικό να σημειωθεί ότι τα μοντέλα ταξινόμησης επέδειξαν υπεροχή σε σχέση με τα μοντέλα παλινδρόμησης σε όλες τις περιόδους μελέτης, τονίζοντας τη σημασία της αναγνώρισης τάσης στην πρόβλεψη των κινήσεων της τιμής του Bitcoin. Τα ευρήματα υπογραμμίζουν την πολυπλοκότητα της συμπεριφοράς της αγοράς του Bitcoin και επισημαίνουν την ανάγκη για μια πολυπολική προσέγγιση, λαμβάνοντας υπόψη την κατευθυντική ακρίβεια σε συνδυασμό με άλλους κρίσιμους παράγοντες που επηρεάζουν τα αποτελέσματα των συναλλαγών.","The Bitcoin (BTC) market is known for its dynamism and volatility and presents a major challenge when it comes to making accurate predictions about price and directional movements. In response to this challenge, this thesis addresses the application of Recurrent Neural Network (RNN) regression and classification models, including Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Bidirectional architectures, as powerful tools for forecasting in the cryptocurrency domain. To measure the effectiveness of these models, ARIMA models are utilized as benchmarks, with different forecasting methods used to optimize performance. The motivation behind this work stems from the desire to demonstrate the practical application of accurate predictions in the context of trading strategies. By simulating these strategies under idealized conditions across five distinct study periods, each reflecting different market behaviors and trends, this research aims to gain valuable insights into the performance of RNN models in the cryptocurrency market. Furthermore, the study extends its investigation to the SP 500 index, a less volatile financial instrument, to explore the generalizability of RNN models beyond the cryptocurrency domain. Notably, classification-based models performed better than regression-based models in all trading periods examined, highlighting the importance of trend identification in predicting Bitcoin price movements. The findings underline the complexity of Bitcoin market behavior and emphasize the need for a multifaceted approach that takes into account not only directional accuracy but also other crucial factors that influence trading results."]},{"key":"dc:title","label":"Title","values":["Bitcoin: A Comparative Analysis Between Regression and Classification Models and Their Applications in Trading"]}]}],"canonical_facts":{"dc:creator":["Κωστοπούλου Φωτεινή-Μαρία","Kostopoulou Foteini-Maria"],"dc:date":["2024"],"dc:description":["Η αγορά του Bitcoin (BTC), γνωστή για τη δυναμική και ασταθή φύση της, αποτελεί σημαντική πρόκληση στο να προβλέψει κανείς ακριβώς τις τιμές και τις κατευθυντικές κινήσεις. Ως απάντηση στην πρόκληση αυτή, η διπλωματική αυτή εργασία εξετάζει την εφαρμογή των νευρωνικών δικτύων Recurrent Neural Network (RNN) στην πρόβλεψη, συμπεριλαμβανομένων των αρχιτεκτονικών Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) και Bi-directional, ως ισχυρά εργαλεία για να συνεισφέρουν στον προγνωστικό χώρο του κρυπτονομίσματος. Για να αξιολογηθεί η αποτελεσματικότητά τους, χρησιμοποιούνται μοντέλα ARIMA ως σημείο αναφοράς, εφαρμόζοντας διάφορες μεθόδους πρόβλεψης για τη βελτιστοποίηση της απόδοσης. Το κίνητρο πίσω από αυτήν την έρευνα οφείλεται στην φιλοπεριέργεια να αναδειχθεί η πρακτική εφαρμογή των προβλέψεων των μοντέλων στο πλαίσιο των στρατηγικών συναλλαγών. Προσομοιώνοντας αυτές τις στρατηγικές υπό ιδανικές συνθήκες σε πέντε διακριτές περιόδους μελέτης, καθεμιά αντικατοπτρίζοντας διαφορετικές συμπεριφορές και τάσεις της αγοράς, η έρευνα αυτή στοχεύει στο να ανακαλύψει χρήσιμα συμπεράσματα στην απόδοση των μοντέλων RNN στην αγορά του κρυπτονομίσματος. Επιπλέον, η μελέτη επεκτείνεται στο δείκτη SP500, ένα λιγότερο ασταθές χρηματοοικονομικό μέσο, για να διερευνήσει τη γενίκευση των μοντέλων RNN πέραν του κρυπτονομίσματος. Είναι σημαντικό να σημειωθεί ότι τα μοντέλα ταξινόμησης επέδειξαν υπεροχή σε σχέση με τα μοντέλα παλινδρόμησης σε όλες τις περιόδους μελέτης, τονίζοντας τη σημασία της αναγνώρισης τάσης στην πρόβλεψη των κινήσεων της τιμής του Bitcoin. Τα ευρήματα υπογραμμίζουν την πολυπλοκότητα της συμπεριφοράς της αγοράς του Bitcoin και επισημαίνουν την ανάγκη για μια πολυπολική προσέγγιση, λαμβάνοντας υπόψη την κατευθυντική ακρίβεια σε συνδυασμό με άλλους κρίσιμους παράγοντες που επηρεάζουν τα αποτελέσματα των συναλλαγών.","The Bitcoin (BTC) market is known for its dynamism and volatility and presents a major challenge when it comes to making accurate predictions about price and directional movements. In response to this challenge, this thesis addresses the application of Recurrent Neural Network (RNN) regression and classification models, including Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Bidirectional architectures, as powerful tools for forecasting in the cryptocurrency domain. To measure the effectiveness of these models, ARIMA models are utilized as benchmarks, with different forecasting methods used to optimize performance. The motivation behind this work stems from the desire to demonstrate the practical application of accurate predictions in the context of trading strategies. By simulating these strategies under idealized conditions across five distinct study periods, each reflecting different market behaviors and trends, this research aims to gain valuable insights into the performance of RNN models in the cryptocurrency market. Furthermore, the study extends its investigation to the SP 500 index, a less volatile financial instrument, to explore the generalizability of RNN models beyond the cryptocurrency domain. Notably, classification-based models performed better than regression-based models in all trading periods examined, highlighting the importance of trend identification in predicting Bitcoin price movements. The findings underline the complexity of Bitcoin market behavior and emphasize the need for a multifaceted approach that takes into account not only directional accuracy but also other crucial factors that influence trading results."],"dc:identifier":["uoadl:3388578","https://pergamos.lib.uoa.gr/uoa/dl/object/3388578"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Bitcoin: A Comparative Analysis Between Regression and Classification Models and Their Applications in Trading"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:51Z"}