Makine öğrenmesi algoritmaları ile Bitcoin fiyat tahmini: Finansal, makroekonomik ve zincir üstü verilerin açıklanabilir yapay zeka ile analizi
Bitcoin price prediction with machine learning algorithms: Analyzing financial, macroeconomic, and on-chain data with explainable artificial intelligence
- Tez No: 1009908
- Danışmanlar: DOÇ. DR. AHMED İHSAN ŞİMŞEK
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, bitcoin fiyatını tahmin etmek amacıyla finansal piyasa göstergeleri, makroekonomik değişkenler ve zincir üstü verileri birlikte kullanan çok değişkenli bir model çerçevesi geliştirmeyi ve bu modellerin tahmin performanslarını açıklanabilir yapay zeka yöntemleriyle analiz etmeyi amaçlamaktadır. Araştırma 2.887 günlük gözlemden oluşan bir veri seti üzerinde gerçekleştirilmiştir. Bağımlı değişken olarak bitcoin'in günlük kapanış fiyatı kullanılmıştır. Bağımsız değişkenler üç ana grupta toplanmıştır: zincir üstü göstergeler (yeni adres sayısı, aktif adres sayısı, hash oranı, işlem sayısı, madencilik zorluk seviyesi, transfer edilen değer), makroekonomik değişkenler (CPI, PPI, M2 para arzı, fed politika faiz oranı, ekonomik belirsizlik endeksi, dolar endeksi, doğal gaz ve petrol fiyatları) ve finansal piyasa göstergesi (S&P 500 endeksi, VIX endeksi). Modelleme sürecinde, tüm bağımsız değişkenlerin bir gün önceki (t-1) değerleri kullanılarak gecikmeli bir yapı oluşturulmuş ve bitcoin fiyatının bir gün sonraki (t) değeri tahmin edilmiştir. Tahmin performansını değerlendirmek için on farklı makine öğrenmesi algoritması (ridge, lasso, elasticnet, karar ağacı, rastgele orman, gradient boosting, adaboost, xgboost, lightgbm, catboost) kullanılmıştır. Modellerin performansı RMSE, MAE ve R² gibi çeşitli hata ölçütleriyle karşılaştırılmıştır. En başarılı modelin karar mekanizmasını ve değişkenlerin fiyat tahminine katkılarını yorumlamak amacıyla SHAP yöntemi uygulanmıştır. Bulgular, topluluk öğrenme algoritmalarının doğrusal modellere kıyasla çok daha yüksek tahmin doğruluğu sağladığını göstermiştir. En başarılı model olan gradient boosting, R² değeri 0,9976 ve RMSE değeri 1499,43 ile bitcoin fiyatını yüksek bir hassasiyetle tahmin etmiştir. SHAP analizi, finansal piyasa göstergelerinin bitcoin fiyat tahmininde baskın bir role sahip olduğunu (%46,21), bunu zincir üstü göstergelerin (%30,36) ve makroekonomik değişkenlerin (%23,43) izlediğini ortaya koymuştur.
Özet (Çeviri)
This study aims to develop a multivariate model framework that uses financial market indicators, macroeconomic variables, and on-chain data together to predict the price of bitcoin, and to analyze the predictive performance of these models using explainable artificial intelligence methods. The research was conducted on a dataset consisting of 2,887 daily observations. The daily closing price of bitcoin was used as the dependent variable. Independent variables were grouped into three main categories: on-chain indicators (number of new addresses, number of active addresses, hash rate, number of transactions, mining difficulty level, value transferred), macroeconomic variables (CPI, PPI, M2 money supply, Fed policy interest rate, economic uncertainty index, dollar index, natural gas and oil prices), and financial market indicators (S&P 500 index, VIX index). In the modeling process, a lagged structure was created using the previous day's (t-1) values of all independent variables, and the next day's (t) value of the bitcoin price was predicted. Ten different machine learning algorithms (ridge, lasso, elasticnet, decision tree, random forest, gradient boosting, adaboost, xgboost, lightgbm, catboost) were used to evaluate prediction performance. The performance of the models was compared using various error metrics such as RMSE, MAE, and R². The SHAP method was applied to interpret the decision mechanism of the most successful model and the contributions of the variables to price prediction. The findings showed that ensemble learning algorithms provided much higher prediction accuracy compared to linear models. The most successful model, gradient boosting, predicted the bitcoin price with high precision, with an R² value of 0.9976 and an RMSE value of 1499.43. The SHAP analysis revealed that financial market indicators played a dominant role in bitcoin price prediction (46.21%), followed by on-chain indicators (30.36%) and macroeconomic variables (23.43%).
Benzer Tezler
- Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini
Prediction of price bubbles in cryptocurrency markets with machine learning methods
FATMA FEYZA ÖZEL
Yüksek Lisans
Türkçe
2024
MaliyeBalıkesir ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. AYHAN İSTANBULLU
DOÇ. DR. HİLMİ TUNAHAN AKKUŞ
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
İstatistikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Makine öğrenmesi algoritmalarını kullanarak Bitcoin fiyat tahmini
Bitcoin price prediction using machine learning algorithms
ZEYNEP ŞENGÜL
- Bitcoin fiyat hareketlerinin makine öğrenme algoritmaları ile tahmini
Forecasting bitcoin price movements with machine learning algorithms
HULUSİ MEHMET TANRIKULU
- Makine öğrenmesi yöntemleri ile bıtcoın trend dönüşlerinin tahmin edilmesi
Predicting bitcoin trends reversals with machine learning methods
SERGÜL ÜRGENÇ
Yüksek Lisans
Türkçe
2023
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BARIŞ AŞIKGİL