Automated cryptocurrency trading using machine learning methods
Makine öğrenmesi yöntemleri ile otomatik kripto para ticareti
- Tez No: 696403
- Danışmanlar: DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hızla büyüyerek 1,5 trilyon USD pazar büyüklüğüne ulaşan kripto para piyasası, büyümeye ve gelişmeye devam ederken bireysel ve kurumsal yatırımcıların artan ilgisini çekmektedir. Yüksek volatil olan bu piyasa, yatırımcılara büyük kar fırsatları sunarken riskleri de beraberinde getirmektedir. Yüksek frekanslı alım satım yapan bir yatırımcı, riskini azaltmak ve karını artırmak için finansal bir zaman serisinde en iyi giriş ve çıkış noktalarını bilmek ister. Ancak uzmanlık gerektiren geleneksel teknik analiz yöntemleri ve kural tabanlı algoritmaların etkinliği sınırlıdır. Bu çalışmadaki amacımız, kripto para piyasası için makine öğrenimi tabanlı bir ticaret stratejisi tasarlamak, deneysel performans sonuçlarını geleneksel teknik yöntem ve stratejilerle karşılaştırmalı olarak ortaya koymak ve otomatik ticaret botlarının geliştirilmesine katkıda bulunmaktır. Bu çalışmanın ilk bölümünde, altı farklı denetimli sınıflandırma algoritmasını kripto paraların gelecek dönem fiyat yönünü tahmin etmek için kullandık. Öznitelikleri, yaygın olarak kullanılan teknik göstergelerden faydalanarak oluşturduk ve sınıflandırma algoritmalarını besledik. İkinci bölümde, tekniğimizin tahmin tutarlılığını ve sağladığı kazancı artırmak için bir fiyat zaman serisi olan ham veriden önerdiğimiz bir yaklaşımla aykırı değerleri tespit ederek ayıkladık ve elde ettiğimiz deney sonuçlarını karşılaştırdık. Elde ettiğimiz bulgulara göre, kripto para piyasasında makine öğrenimi tabanlı stratejiler ile geleneksel stratejilerden daha yüksek getiri sağlamak mümkündür. Farklı dönem ve kripto paralar için test ettiğimiz sınıflandırıcılardan Lojistik Regresyon, diğerlerine göre ortalamada daha üstün ve kararlı performans göstermiştir. Önerdiğimiz aykırı değer tespiti kullanıldığında genel olarak daha fazla getiri artışı sağlanmıştır. Geleneksel“buy-and-hold”stratejisine göre test dönemlerinin ortalamasında %31 daha fazla getiriye ulaşılmıştır.
Özet (Çeviri)
The cryptocurrency market, which has grown rapidly and reached a market size of 1.5 trillion USD, attracts the increasing attention of individual and institutional investors as it continues to grow and develop. While this highly volatile market offers great profit opportunities to investors, it also brings risks. A high-frequency trader wants to know the best entry and exit points in a financial time series to reduce risk and increase profits. However, the efficiency of rule-based algorithms and traditional technical analysis methods that require expertise is limited. Our aim in this study is to design a machine learning-based trading strategy for the cryptocurrency market, to reveal experimental performance results in comparison with traditional technical methods and strategies, and to contribute to the development of automated trading bots. In the first part of this study, we used six different supervised classification algorithms to predict the next-period price direction of cryptocurrencies. We created the features with the help of commonly used technical indicators and fed them to the classification algorithms. In the second part, we detected the outliers from the raw data, which is a price time series, with an approach we proposed, in order to increase the prediction accuracy and return of our technique, then we removed the outliers from the training set and compared the experimental results we obtained. The findings showed that it is possible to obtain higher returns than traditional strategies with machine learning-based strategies in the cryptocurrency market. Logistic Regression, one of the classifiers we tested for different periods and cryptocurrencies, distinguished by its superior and stable performance on average compared to the others. After the outlier detection, a higher return increase was achieved in general. Compared to the traditional buy-and-hold strategy, 31% higher returns were achieved on the average of the test periods.
Benzer Tezler
- Cryptocurrency trading based on heuristic guided approach with feature engineering
Öznitelik mühendisliği ile sezgisel kılavuzlu yaklaşıma dayalı kripto ticaret işlemleri
ÇAĞRI KARAHAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- The dynamics of cryptocurrency market from behavioral finance perspective
Kripto para piyasasının dinamikleri davranışsal finans perspektifinden
BASMA ALMISSHAL
Doktora
İngilizce
2023
İşletmeKaradeniz Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HALİL İBRAHİM BULUT
- FreTS-Rainbow: A frequency-domain deep reinforcement learning framework for multi-timeframe cryptocurrency futures trading with dynamic risk management
FreTS-Rainbow: Dinamik risk yönetimi ile çok zamanlı kripto para vadeli işlemleri için frekans alanlı derin güçlendirmeli öğrenme çerçevesi
ALPER EKMEKÇİOĞLU
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Crypto asset taxonomy classification and crypto newssentiment analysis
Kripto varlık taksonomi sınıflandırması ve kriptohaber duygu analizi
OZAN KÖSE
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. PINAR KARAGÖZ
- Blokzincir ağında kripto para birimleri arasındaki ilişki ve fiyat tahminlemesi üzerine bir çalışma
A study on the relationship between cryptocurrencies and price prediction on the blockchain network
VASFİ TATAROĞLU
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN BULUT
DOÇ. DR. GÜRHAN GÜNDÜZ