Geri Dön

Makine öğrenmesi yöntemleri ile bıtcoın trend dönüşlerinin tahmin edilmesi

Predicting bitcoin trends reversals with machine learning methods

PDF İndir

  1. Tez No: 814074
  2. Yazar: SERGÜL ÜRGENÇ
  3. Danışmanlar: PROF. DR. BARIŞ AŞIKGİL
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Bitcoin trend tahmini, kripto para fiyat analizi, makine öğrenmesi, sınıflandırma, Bitcoin trend prediction, cryptocurrency price analysis, machine learning, classification
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 55

Özet

Son yıllarda Bitcoin, kripto para birimi piyasasında en popüler dijital varlık haline gelmiştir. Fiyatları, hızla artan yatırımcı ilgisi nedeniyle son derece dalgalıdır ve bu durum fiyat hareketlerini öngörmeyi zorlaştırmaktadır. Bu bağlamda, Bitcoin fiyat yönünün tahmini, yatırımcıların yatırım stratejilerini belirlemelerine yardımcı olabilmektedir. Finansal piyasalarda fiyat yönünün tahmininde ve alım satım kararlarında makine öğrenimi teknikleri yaygın olarak kullanılmaktadır. Zamana bağlı veriler ve finansal indikatörler kullanılarak gelecekteki fiyat hareketlerini tahmin etmek için makine öğrenmesi modelleri geliştirilebilmektedir. Bitcoin fiyat hareketleri, kripto para birimi piyasasında çok sayıda faktörün etkisi altında olabilmektedir. Bu nedenle, makine öğrenmesi tekniklerinin doğruluğunun ve başarısının belirlenmesi önemlidir. Bu çalışmanın amacı, Bitcoin fiyat hareketleri üzerindeki trend dönüşlerini tahmin etmek için makine öğrenmesi tekniklerini kullanmak ve bu tekniklerin başarı oranlarını karşılaştırmaktır. Bu amaçla, çalışmada trend yönünün değiştiği noktalara odaklanılmıştır. Fiyat yönünün hangi noktada değişeceği tespit edilerek, 'al', 'sat' ve 'bekle' olmak üzere üç sınıflı tahminleme çalışması yapılmıştır. Bu amaçla, 'binance.com' üzerinden 1 Eylül 2017 ile 1 Nisan 2023 tarihleri arasında alınan günlük veriler ile öncelikle fiyatın açılış (open), kapanış (close), günün en yüksek değeri (high), günün en düşük değeri (low) ve Bitcoin ticaret hacmi (volume) bilgileri kullanılarak trend tespiti yapılmış ve finansal göstergeler hesaplanmıştır. Veri inceleme aşamasından sonra bağımsız değişkenlerin çoklu bağlantı problemine yol açmaması amacıyla temel bileşenler analizi ile boyut küçültme çalışması yapılmıştır. 'al', 'sat' ve 'bekle' sınıfları alt örnekleme (under sampling) yöntemi ile dengelenerek, Aşırı Gradyan Arttırma (XGB), Rastgele Orman (RF), Rastgele Ağaçlar (RT), Yapay Sinir Ağları (ANN), Destek Vektör Makineleri (SVM), Bayes Ağları (BN) ve K En Yakın Komşu (KNN) modelleri geliştirilmiş ve sonuçlar, kesinlik (precision), duyarlılık (recall), özgüllük (specificity), F1 puanı (F1 score) ve doğruluk (accuracy) başarı kriterlerine göre değerlendirilmiştir. ANN, SVM, BN ve KNN modellerinin ağaç tabanlı algoritmalara göre çok daha düşük performans gösterdiği görüldüğünden, çalışmada sadece XGB, RF ve RT model sonuçlarının karşılaştırması verilmiştir. Çalışma sonucunda, XGB modelinin diğer modellere göre daha yüksek başarıya sahip olduğu görülmüştür.

Özet (Çeviri)

In recent years, Bitcoin has become the most popular digital asset in the cryptocurrency market. Its prices are highly volatile due to rapidly increasing investor interest, making it difficult to predict price movements. In this context, predicting the direction of Bitcoin prices can assist investors in determining their investment strategies. Machine learning techniques are widely used in predicting price directions and making trading decisions in financial markets. Machine learning models can be developed using time-dependent data and financial indicators to forecast future price movements. Bitcoin price movements can be influenced by numerous factors in the cryptocurrency market. Therefore, determining the accuracy and success of machine learning techniques is crucial. The aim of this study is to predict trend reversals in Bitcoin price movements by using machine learning techniques and compare the success rates of these techniques. For this purpose, the study focuses on points where the trend changes. A three-class prediction study is conducted in order to classify the price direction as 'buy', 'sell', or 'hold'. Daily data collected from 'binance.com' between September 1, 2017, and April 1, 2023, including the open, close, high, low prices and Bitcoin trading volume are used to identify trends and calculate financial indicators. After the data examination stage, dimension reduction is performed by using principal component analysis to avoid multicollinearity issues of independent variables. The 'buy', 'sell', and 'hold' classes are balanced through under-sampling. Extreme Gradient Boosting (XGB), Random Forest (RF), Random Tree (RT), Artificial Neural Networks (ANN), Support Vector Machines (SVM), Bayesian Networks (BN), and K-Nearest Neighbors (KNN) models are developed. The results are evaluated by using precision, recall, specificity, F1 score and accuracy metrics. Since ANN, SVM, BN, and KNN models show significantly lower performance compared to tree-based algorithms, the comparison in the study focuses on the results of XGB, RF, and RT models. The study concludes that the XGB model exhibits higher success compared to other models.

Benzer Tezler

  1. Tez No

    847130

    Trend analyses and price predictions on cryptocurrencies by using artificial intelligence

    Kripto paraların yapay zeka ile yönelim analizleri ve fiyat tahminleri

    COŞKUN DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BORA CANBULA

  2. Tez No

    866869

    Genelleştırilmiş toplamsal modeller ile Bitcoin için yön analizi

    Directional analysis of Bitcoin using generalized additive models

    İLAYDA ARIKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    EkonomiHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SERPİL AKTAŞ ALTUNAY

  3. Tez No

    580093

    Cryptocurrency price prediction by using social media data

    Makine öğrenmesi teknikleri kullanılarak sosyal medya verileri ile kripto para fiyat tahmini

    ÖZLEM GÜL PAMUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. SEFER BADAY

  4. Tez No

    696688

    Evaluation of bitcoin price changes before and after COVID-19 by machine learning, time series analysis and deep learning algorithms

    COVID-19 öncesi ve sonrasındaki bitcoin fiyat değişimlerinin makine öğrenmesi, zaman serileri analizi ve derin öğrenme yöntemleriyle değerlendirilmesi

    UĞUR KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İHSAN TOLGA MEDENİ

  5. Tez No

    714364

    Sistem tanılama makine öğrenmesi ve derin öğrenme modelleri ile güneş radyasyonu tahmini

    Solar radiation forecasting using system identification machine learning and deep learning models

    GÖKSEL KADER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. ÖNDER GÜLER

Geri Dön