Extracting cryptocurrency trading signals from raw financial data using technical indicators and deep learning
Teknik göstergeler ve derin öğrenme kullanarak işlenmemiş finansal verilerden kripto para alım ve satım sinyalleri elde etmek
- Tez No: 643078
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET ONUR DURAHİM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Ekonomi, Computer Engineering and Computer Science and Control, Science and Technology, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 104
Özet
Bu çalışmanın amacı, teknik göstergeler ile elde edilen farklı özellik grupları ile farklı örnekleme ve çoğaltma yöntemlerini kullanarak kripto para alım-satım hareketlerinin, özellikle Bitcoin alım-satım hareketlerinin tahmini için derin öğrenme yöntemlerini araştırmaktır. Bu amaçla, finansal zaman serisi verileri pencere kaydırma algoritması ile üç sınıfa ayrılmıştır: satın al, sat, beklet. Bu sınıflandırma algoritması, derin öğrenme ortamında bir problem olan dengesiz veri seti ile sonuçlanmıştır. Dengesiz veri seti problemini çözebilmek ve azınlık sınıflarına ait veri sayılarını arttırabilmek için doğrudan kopyalama, SMOTE, ADASYN adı verilen üç örnekleme yöntemi ve titreşim ve zaman çarpıtma adı verilen iki çoğaltma yöntemi kullanılmıştır. Ayrıca, derin öğrenme modellerine girdi olacak finansal veri özelliklerini elde etmek için bu çalışmaya teknik göstergeler dahil edilmiştir. Elde edilen finansal veri özellikleri üzerinde özellik seçme ve özellik çıkarma işlemleri gerçekleştirilmiştir. Bütün göstergeler, karşılıklı bilgi metriği kullanılarak seçilen en iyi 15 gösterge, momentum, hacim, oynaklık ve trend göstergeleri olmak üzere altı farklı özellik grubu oluşturulmuştur. Önerilen derin öğrenme mimarilerimiz, evrişimli sinir ağı ve iki farklı kodlayıcı mimarisine sahip ilgi mekanizmaları, özellik gruplarının ve örnekleme, çoğaltma yöntemlerinin farklı kombinasyonları ile eğitilmiştir. Sonuçlar umut vericidir ve SMOTE örnekleme tekniğinin uygulandığı, ilk 15 göstergeyi girdi olarak alan ilgi derin öğrenme mimarisi kullanılarak oluşturulan model ile 56.48 olan en iyi makro ortalama F1 skoru elde edilmiştir.
Özet (Çeviri)
The purpose of this study is to investigate deep learning methods for predicting cryptocurrency, specifically Bitcoin, trading decisions considering different oversampling and augmentation methods, and using different feature groups as input, extracted using technical indicators. For this purpose, financial time series data is labelled as three classes namely, buy, sell, hold, by a window sliding approach. However, this labeling approach gives rise to imbalanced data set which is problematic in deep learning setting. In order to address imbalanced data set problem, three oversampling methods which are Direct Copying, SMOTE, ADASYN, and two augmentation methods, jittering and time warping, are used for increasing the size of data sets that belong to minority classes. Moreover, technical indicators are included in this study to extract financial data features to be fed into deep learning models. Feature selection and ablation study are performed on the extracted features. Six different feature groups are created which can be listed as; all indicators, top 15 indicators selected using mutual information metric, and momentum, volume, volatility and trend indicators. The proposed deep learning architectures, convolutional neural network and attention mechanisms with two different encoder architectures, are trained with different combinations of oversampling and augmentation methods, and feature groups. Results are promising where the best macro average F1 score of 56.48 is achieved by the model generated using attention deep learning architecture which is fed with top 15 indicators where SMOTE oversampling technique is applied.
Benzer Tezler
- Makine öğrenmesi yöntemleriyle zaman serilerinde değer tahminleme
Value estimation in time series by machine learning methods
MUSTAFA ÜLKER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
- Identifying areas of specific interest of twitter users who tweet about cryptocurrencies
Kripto paralar hakkında tweet paylaşan twitter kullanıcılarının ilgi alanlarını tanımlama
SAMET SAYIN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ONUR DURAHİM
PROF. DR. VESİLE ASLIHAN NASIR
- Hierarchical clustering attention for unsupervised object-centric representation learning
Obje odaklı temsil öğrenimi için hiyerarşik kümeleyici dikkat yöntemleri
CAN KÜÇÜKSÖZEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL YEMEZ
- Dijital odyometri görüntülerinin görüntü işleme ile analizi ve yorumlanması
Extracting audiogram data using image processing and machine learning algorithms
FERHAT MİRAÇ ŞAHİN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM ÖZYAVAŞ