Επίδοση, Αποδοτικότητα και Σύγκριση με Αξιολόγηση Μοντέλων Τεχνητής Νοημοσύνης σε Χρηματιστηριακές Συναλλαγές Κρυπτονομισμάτων Ανθρώπινες Στρατηγικές
ENGLISH ABSTRACT This thesis focuses on the evaluation of Artificial Intelligence (AI) models applied to cryptocurrency trading. The aim of the research is to assess the performance and efficiency of these models in comparison with strategies employed by human investors, highlighting their advantages, limitations, and potential applications. The methodology involves collecting cryptocurrency trading data and applying AI algorithms, such as Deep Learning networks and other Machine Learning techniques. The results are compared with human strategies through simulations that evaluate prediction accuracy, execution speed, and overall efficiency. The analysis revealed that AI models outperform in terms of speed and their ability to analyze large volumes of data in real-time. However, certain limitations were observed, such as overfitting to specific datasets and a lack of adaptability to unpredictable market changes. At the same time, human strategies rely on broader experiential knowledge and better understanding of non-quantitative market factors. In conclusion, the thesis suggests that a hybrid approach, combining the speed and accuracy of AI models with the intuition and expertise of humans, can offer the most comprehensive strategy for cryptocurrency trading. The findings of this research hold significant value for investors, financial technology companies, and researchers interested in optimizing investment strategies.
Thesis
Η παρούσα διπλωματική εργασία επικεντρώνεται στην αξιολόγηση μοντέλων Τεχνητής Νοημοσύνης (ΤΝ) που εφαρμόζονται σε χρηματιστηριακές συναλλαγές κρυπτονομισμάτων. Στόχος της έρευνας είναι να εξετάσει την απόδοση και την αποδοτικότητα αυτών των μοντέλων σε σχέση με στρατηγικές που υιοθετούνται από ανθρώπινους επενδυτές, αναδεικνύοντας τα πλεονεκτήματα, τα μειονεκτήματα και τις πιθανές χρήσεις τους. Η μεθοδολογία περιλαμβάνει τη συλλογή δεδομένων χρηματιστηριακών συναλλαγών και την εφαρμογή αλγορίθμων ΤΝ, όπως δίκτυα βαθιάς μάθησης (Deep Learning) και άλλες τεχνικές μηχανικής μάθησης (Machine Learning). Τα αποτελέσματα συγκρίνονται με ανθρώπινες στρατηγικές μέσω προσομοιώσεων που αποσκοπούν στην αξιολόγηση της ακρίβειας πρόβλεψης, της ταχύτητας εκτέλεσης και της συνολικής αποδοτικότητας. Επιπλέον, τα ευρήματα υποστηρίζονται από τη συλλογή και ανάλυση δεδομένων μέσω ενός ερευνητικού ερωτηματολογίου, το οποίο αποσκοπεί στην καταγραφή απόψεων και εμπειριών σχετικά με τη χρήση ΤΝ στις χρηματοοικονομικές συναλλαγές. Η ανάλυση έδειξε ότι τα μοντέλα ΤΝ υπερτερούν σε ταχύτητα και δυνατότητα ανάλυσης μεγάλου όγκου δεδομένων σε πραγματικό χρόνο. Ωστόσο, παρατηρήθηκαν ορισμένοι περιορισμοί, όπως η υπερπροσαρμογή (overfitting) σε συγκεκριμένα σύνολα δεδομένων και η έλλειψη προσαρμοστικότητας σε μη προβλέψιμες αλλαγές της αγοράς. Παράλληλα, διαπιστώθηκε ότι οι ανθρώπινες στρατηγικές βασίζονται σε ευρύτερη εμπειρική γνώση και καλύτερη κατανόηση μη ποσοτικών παραγόντων της αγοράς. Συμπερασματικά, η εργασία καταλήγει ότι μια υβριδική προσέγγιση, που συνδυάζει την ταχύτητα και ακρίβεια των μοντέλων ΤΝ με τη διαίσθηση και την εμπειρία των ανθρώπων, μπορεί να προσφέρει την πιο ολοκληρωμένη στρατηγική για χρηματιστηριακές συναλλαγές κρυπτονομισμάτων. Επιπλέον, συνοδεύεται από πρακτική υλοποίηση ΤΝ, η οποία προσφέρει παράδειγμα εφαρμογής για μελλοντική χρήση.