{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3471336"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3471336","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Real-Time Cryptocurrency Price Forecasting with Blockchain Transaction Graphs and Neural Networks","abstract":"Υπάρχει ένα αυξανόμενο ερευνητικό ενδιαφέρον για την πρόβλεψη τιμών κρυπτο- νομισμάτων, με επίκεντρο το Bitcoin, το πιο ευρέως διαπραγματεύσιμο ψηφιακό νόμισμα. Προηγούμενες μελέτες βασίζονται κυρίως σε κοινωνικοοικονομικούς πα- ράγοντες και τεχνικούς δείκτες αγοράς, σε συνδυασμό με παραδοσιακά μοντέλα μηχανικής μάθησης. Η κύρια συμβολή αυτής της διπλωματικής εργασίας είναι η ανάπτυξη ενός αλγορίθμου πρόβλεψης τιμών Bitcoin σε πραγματικό χρόνο, χρησι- μοποιώντας Νευρωνικά Δίκτυα και γράφους συναλλαγών του blockchain. Σε αντίθε- ση με προηγούμενες προσεγγίσεις, η παρούσα εργασία αξιοποιεί τη δυναμική δομή των ζωντανών δεδομένων blockchain, εισάγοντας μια νέα μεθοδολογία βασισμένη σε γράφους για χρηματοοικονομική πρόβλεψη. Τα δεδομένα συλλέχθηκαν σε πραγματικό χρόνο χρησιμοποιώντας δωρεάν και δη- μόσια διαθέσιμα APIs για τη λήψη ζωντανών συναλλαγών και ιστορικών δεδομένων τιμών. Η φύση του αλγορίθμου σε πραγματικό χρόνο απαίτησε προσαρμογές τόσο στη διαδικασία επεξεργασίας δεδομένων όσο και στην αρχιτεκτονική του μοντέλου. Για την αντιμετώπιση αυτών των απαιτήσεων, η μελέτη εκμεταλλεύεται έναν συνδυα- σμό από παραδοσιακές τεχνικές μηχανικής μάθησης γράφων και μεθόδους ειδικά σχεδιασμένες για τα χαρακτηριστικά των live συναλλαγών του blockchain. Αυτές οι τεχνικές, όταν χρησιμοποιούνται σε NNs, επιτρέπουν την αναγνώριση προτύπων συναλλαγών που είναι καθοριστικά για την πρόβλεψη της τιμής του Bitcoin. Πέρα από τη θεωρητική αξιολόγηση, η έρευνα αυτή εξερευνά κι ένα πραγματικό σενάριο για την αξιολόγηση της πρακτικής αποτελεσματικότητας του μοντέλου. Η απόδοση του αλγορίθμου αξιολογείται όχι μόνο με συμβατικούς δείκτες, αλλά και με βάση τα έσοδα, προσομοιώνοντας την απόδοση του μοντέλου σε ένα πραγμα- τικό περιβάλλον συναλλαγών. Αυτή η προσέγγιση αναδεικνύει τη χρηστική εφαρ- μογή του συνδυασμού μηχανικής μάθησης βασισμένης σε γράφους με δεδομένα blockchain σε πραγματικό χρόνο για την πρόβλεψη τιμών κρυπτονομισμάτων.","abstract_html":"Υπάρχει ένα αυξανόμενο ερευνητικό ενδιαφέρον για την πρόβλεψη τιμών κρυπτο- νομισμάτων, με επίκεντρο το Bitcoin, το πιο ευρέως διαπραγματεύσιμο ψηφιακό νόμισμα. Προηγούμενες μελέτες βασίζονται κυρίως σε κοινωνικοοικονομικούς πα- ράγοντες και τεχνικούς δείκτες αγοράς, σε συνδυασμό με παραδοσιακά μοντέλα μηχανικής μάθησης. Η κύρια συμβολή αυτής της διπλωματικής εργασίας είναι η ανάπτυξη ενός αλγορίθμου πρόβλεψης τιμών Bitcoin σε πραγματικό χρόνο, χρησι- μοποιώντας Νευρωνικά Δίκτυα και γράφους συναλλαγών του blockchain. Σε αντίθε- ση με προηγούμενες προσεγγίσεις, η παρούσα εργασία αξιοποιεί τη δυναμική δομή των ζωντανών δεδομένων blockchain, εισάγοντας μια νέα μεθοδολογία βασισμένη σε γράφους για χρηματοοικονομική πρόβλεψη. Τα δεδομένα συλλέχθηκαν σε πραγματικό χρόνο χρησιμοποιώντας δωρεάν και δη- μόσια διαθέσιμα APIs για τη λήψη ζωντανών συναλλαγών και ιστορικών δεδομένων τιμών. Η φύση του αλγορίθμου σε πραγματικό χρόνο απαίτησε προσαρμογές τόσο στη διαδικασία επεξεργασίας δεδομένων όσο και στην αρχιτεκτονική του μοντέλου. Για την αντιμετώπιση αυτών των απαιτήσεων, η μελέτη εκμεταλλεύεται έναν συνδυα- σμό από παραδοσιακές τεχνικές μηχανικής μάθησης γράφων και μεθόδους ειδικά σχεδιασμένες για τα χαρακτηριστικά των live συναλλαγών του blockchain. Αυτές οι τεχνικές, όταν χρησιμοποιούνται σε NNs, επιτρέπουν την αναγνώριση προτύπων συναλλαγών που είναι καθοριστικά για την πρόβλεψη της τιμής του Bitcoin. Πέρα από τη θεωρητική αξιολόγηση, η έρευνα αυτή εξερευνά κι ένα πραγματικό σενάριο για την αξιολόγηση της πρακτικής αποτελεσματικότητας του μοντέλου. Η απόδοση του αλγορίθμου αξιολογείται όχι μόνο με συμβατικούς δείκτες, αλλά και με βάση τα έσοδα, προσομοιώνοντας την απόδοση του μοντέλου σε ένα πραγμα- τικό περιβάλλον συναλλαγών. Αυτή η προσέγγιση αναδεικνύει τη χρηστική εφαρ- μογή του συνδυασμού μηχανικής μάθησης βασισμένης σε γράφους με δεδομένα blockchain σε πραγματικό χρόνο για την πρόβλεψη τιμών κρυπτονομισμάτων.","abstract_has_math":false,"creators":["Γκρέκας Γεώργιος","Gkrekas Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:05Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3471336"],"render_values":[{"text":"uoadl:3471336","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3471336","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3471336","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%3A3471336","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γκρέκας Γεώργιος","Gkrekas Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:3471336","https://pergamos.lib.uoa.gr/uoa/dl/object/3471336"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Υπάρχει ένα αυξανόμενο ερευνητικό ενδιαφέρον για την πρόβλεψη τιμών κρυπτο- νομισμάτων, με επίκεντρο το Bitcoin, το πιο ευρέως διαπραγματεύσιμο ψηφιακό νόμισμα. Προηγούμενες μελέτες βασίζονται κυρίως σε κοινωνικοοικονομικούς πα- ράγοντες και τεχνικούς δείκτες αγοράς, σε συνδυασμό με παραδοσιακά μοντέλα μηχανικής μάθησης. Η κύρια συμβολή αυτής της διπλωματικής εργασίας είναι η ανάπτυξη ενός αλγορίθμου πρόβλεψης τιμών Bitcoin σε πραγματικό χρόνο, χρησι- μοποιώντας Νευρωνικά Δίκτυα και γράφους συναλλαγών του blockchain. Σε αντίθε- ση με προηγούμενες προσεγγίσεις, η παρούσα εργασία αξιοποιεί τη δυναμική δομή των ζωντανών δεδομένων blockchain, εισάγοντας μια νέα μεθοδολογία βασισμένη σε γράφους για χρηματοοικονομική πρόβλεψη. Τα δεδομένα συλλέχθηκαν σε πραγματικό χρόνο χρησιμοποιώντας δωρεάν και δη- μόσια διαθέσιμα APIs για τη λήψη ζωντανών συναλλαγών και ιστορικών δεδομένων τιμών. Η φύση του αλγορίθμου σε πραγματικό χρόνο απαίτησε προσαρμογές τόσο στη διαδικασία επεξεργασίας δεδομένων όσο και στην αρχιτεκτονική του μοντέλου. Για την αντιμετώπιση αυτών των απαιτήσεων, η μελέτη εκμεταλλεύεται έναν συνδυα- σμό από παραδοσιακές τεχνικές μηχανικής μάθησης γράφων και μεθόδους ειδικά σχεδιασμένες για τα χαρακτηριστικά των live συναλλαγών του blockchain. Αυτές οι τεχνικές, όταν χρησιμοποιούνται σε NNs, επιτρέπουν την αναγνώριση προτύπων συναλλαγών που είναι καθοριστικά για την πρόβλεψη της τιμής του Bitcoin. Πέρα από τη θεωρητική αξιολόγηση, η έρευνα αυτή εξερευνά κι ένα πραγματικό σενάριο για την αξιολόγηση της πρακτικής αποτελεσματικότητας του μοντέλου. Η απόδοση του αλγορίθμου αξιολογείται όχι μόνο με συμβατικούς δείκτες, αλλά και με βάση τα έσοδα, προσομοιώνοντας την απόδοση του μοντέλου σε ένα πραγμα- τικό περιβάλλον συναλλαγών. Αυτή η προσέγγιση αναδεικνύει τη χρηστική εφαρ- μογή του συνδυασμού μηχανικής μάθησης βασισμένης σε γράφους με δεδομένα blockchain σε πραγματικό χρόνο για την πρόβλεψη τιμών κρυπτονομισμάτων.","There is a growing body of research focused on cryptocurrency price prediction, par- ticularly for Bitcoin, the most widely traded digital asset. Previous studies have pre- dominantly utilized socio-economic factors and technical market indicators in com- bination with traditional machine learning models. The primary contribution of this thesis is the development of a real-time algorithm for Bitcoin price forecasting using Neural Networks and blockchain transaction graphs. Unlike previous approaches, this work leverages the dynamic structure of live blockchain data, introducing a novel graph-based methodology for financial forecasting. Real-time data was collected using free and publicly available APIs to capture live transaction streams and historical price data. The real-time nature of the algo- rithm required adaptations in both data processing and model architecture. To ad- dress these demands, the study exploits a combination of traditional graph embed- ding techniques and custom-designed methods tailored to the characteristics of live blockchain transaction data. These embeddings, when integrated with NNs, enable the identification of transactional patterns that are crucial in forecasting Bitcoin’s price. Beyond theoretical evaluation, this research incorporates a real-world scenario to assess the model’s practical effectiveness. The algorithm’s performance is eval- uated not only on conventional metrics but also in terms of revenue generation, simulating how well the model would perform in an actual trading environment. This approach highlights the practical applicability of combining graph-based machine learning with real-time blockchain analytics for cryptocurrency price prediction."]},{"key":"dc:title","label":"Title","values":["Real-Time Cryptocurrency Price Forecasting with Blockchain Transaction Graphs and Neural Networks"]}]}],"canonical_facts":{"dc:creator":["Γκρέκας Γεώργιος","Gkrekas Georgios"],"dc:date":["2025"],"dc:description":["Υπάρχει ένα αυξανόμενο ερευνητικό ενδιαφέρον για την πρόβλεψη τιμών κρυπτο- νομισμάτων, με επίκεντρο το Bitcoin, το πιο ευρέως διαπραγματεύσιμο ψηφιακό νόμισμα. Προηγούμενες μελέτες βασίζονται κυρίως σε κοινωνικοοικονομικούς πα- ράγοντες και τεχνικούς δείκτες αγοράς, σε συνδυασμό με παραδοσιακά μοντέλα μηχανικής μάθησης. Η κύρια συμβολή αυτής της διπλωματικής εργασίας είναι η ανάπτυξη ενός αλγορίθμου πρόβλεψης τιμών Bitcoin σε πραγματικό χρόνο, χρησι- μοποιώντας Νευρωνικά Δίκτυα και γράφους συναλλαγών του blockchain. Σε αντίθε- ση με προηγούμενες προσεγγίσεις, η παρούσα εργασία αξιοποιεί τη δυναμική δομή των ζωντανών δεδομένων blockchain, εισάγοντας μια νέα μεθοδολογία βασισμένη σε γράφους για χρηματοοικονομική πρόβλεψη. Τα δεδομένα συλλέχθηκαν σε πραγματικό χρόνο χρησιμοποιώντας δωρεάν και δη- μόσια διαθέσιμα APIs για τη λήψη ζωντανών συναλλαγών και ιστορικών δεδομένων τιμών. Η φύση του αλγορίθμου σε πραγματικό χρόνο απαίτησε προσαρμογές τόσο στη διαδικασία επεξεργασίας δεδομένων όσο και στην αρχιτεκτονική του μοντέλου. Για την αντιμετώπιση αυτών των απαιτήσεων, η μελέτη εκμεταλλεύεται έναν συνδυα- σμό από παραδοσιακές τεχνικές μηχανικής μάθησης γράφων και μεθόδους ειδικά σχεδιασμένες για τα χαρακτηριστικά των live συναλλαγών του blockchain. Αυτές οι τεχνικές, όταν χρησιμοποιούνται σε NNs, επιτρέπουν την αναγνώριση προτύπων συναλλαγών που είναι καθοριστικά για την πρόβλεψη της τιμής του Bitcoin. Πέρα από τη θεωρητική αξιολόγηση, η έρευνα αυτή εξερευνά κι ένα πραγματικό σενάριο για την αξιολόγηση της πρακτικής αποτελεσματικότητας του μοντέλου. Η απόδοση του αλγορίθμου αξιολογείται όχι μόνο με συμβατικούς δείκτες, αλλά και με βάση τα έσοδα, προσομοιώνοντας την απόδοση του μοντέλου σε ένα πραγμα- τικό περιβάλλον συναλλαγών. Αυτή η προσέγγιση αναδεικνύει τη χρηστική εφαρ- μογή του συνδυασμού μηχανικής μάθησης βασισμένης σε γράφους με δεδομένα blockchain σε πραγματικό χρόνο για την πρόβλεψη τιμών κρυπτονομισμάτων.","There is a growing body of research focused on cryptocurrency price prediction, par- ticularly for Bitcoin, the most widely traded digital asset. Previous studies have pre- dominantly utilized socio-economic factors and technical market indicators in com- bination with traditional machine learning models. The primary contribution of this thesis is the development of a real-time algorithm for Bitcoin price forecasting using Neural Networks and blockchain transaction graphs. Unlike previous approaches, this work leverages the dynamic structure of live blockchain data, introducing a novel graph-based methodology for financial forecasting. Real-time data was collected using free and publicly available APIs to capture live transaction streams and historical price data. The real-time nature of the algo- rithm required adaptations in both data processing and model architecture. To ad- dress these demands, the study exploits a combination of traditional graph embed- ding techniques and custom-designed methods tailored to the characteristics of live blockchain transaction data. These embeddings, when integrated with NNs, enable the identification of transactional patterns that are crucial in forecasting Bitcoin’s price. Beyond theoretical evaluation, this research incorporates a real-world scenario to assess the model’s practical effectiveness. The algorithm’s performance is eval- uated not only on conventional metrics but also in terms of revenue generation, simulating how well the model would perform in an actual trading environment. This approach highlights the practical applicability of combining graph-based machine learning with real-time blockchain analytics for cryptocurrency price prediction."],"dc:identifier":["uoadl:3471336","https://pergamos.lib.uoa.gr/uoa/dl/object/3471336"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Real-Time Cryptocurrency Price Forecasting with Blockchain Transaction Graphs and Neural Networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:05Z"}