Kriz dönemlerinde yapay zekâ yöntemleri ile farklı amaç ve altyapıya sahip kripto para endeks tahmini ve karşılaştırması: Bitcoin ve Etheryum örneği
In crisis periods, artificial intelligence methods and cryptocurrency index estimation and comparison with different purposes and infrastructure: The example of Bitcoin and Ethereum
- Tez No: 814744
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMER İLKUÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Management Information Systems
- Anahtar Kelimeler: Blok zinciri, Kripto Para, Bitcoin, Etheryum, Yapay Zekâ, Makine Öğrenmesi, Derin Öğrenme, LSTM, GRU, Yapay Sinir Ağları, Blockchain, Cryptocurrency, Bitcoin, Ethereum, Artificial Intelligence, Machine Learning, Deep Learning, LSTM, GRU, Artificial Neural Networks
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: 96
Özet
Modern dünyada teknolojinin gelişmesiyle ve çeşitlenmesi ile birlikte hayatımız ve yaşam biçimimiz de değişmektedir. En önemli değişikliklerden birisi de blok zinciri teknolojisiyle ortaya çıkan sanal ödeme yöntemleri ve kripto paralardır. Blok zincirinin en önemli uygulama alanı kripto paralar olmuştur. Bunların öncüsü ve genel kabul görmüş olanı Bitcoin olmakla birlikte ardından birçok yeni kripto para ortaya çıkmıştır. Kripto paralar merkezi bir yapıya sahip olmadıkları için fiyat dalgalanmalarına sebep olmaktadır. Bu bağlamda kripto paraların fiyatının nasıl değişim göstereceği kripto yatırımcıları ve araştırmacıları için merak konusu olup, tahmin ihtiyacını ortaya çıkarmıştır. Bu çalışma ile dünyada yaşanan pandemi, savaş ve bunlara bağlı ekonomik sorunların neden olduğu kriz dönemlerinde, makine öğrenme ve derin öğrenme yöntemleri kullanılarak farklı kripto paraların fiyat endeks tahmini yapılarak sonuçları karşılaştırılmıştır. Çalışmada, özellikle son dönemlerin, popüler ve başarılı yöntemlerden biri olan yapay sinir ağı algoritmaları kullanılmıştır. Veri seti olarak kripto paraların geçmiş endeks ve hacim verileri kullanılarak eğitilmiş makine öğrenme modeli ile tahmin işlemi yapılmıştır. Veri seti, kamuya açık internet sitesi olan investing.com web adresinden, Bitcoin için 01.01.2018 ile 27.04.2022 tarihleri arasında 1578 adet, Etheryum için 10.03.2016 ile 20.04.2022 tarihleri arasında 2233 adet günlük endeksler ve işlem hacmi olarak ele alınmıştır. Veri seti eğitim, geçerlilik ve test olarak bölme işlemi yapıldıktan sonra, kullanılacak derin öğrenme modelinin yapısına göre düzenlenmiştir. Yapay sinir ağı (YSA) ile birlikte derin öğrenme algoritmalarından, uzun kısa süreli bellek (LSTM- Long Short Term Memory) ve geçişli tekrarlayan ünite (GRU- Gated Recurrent Unit) yöntemleri kullanılmıştır. Bu algoritmaların farklı hiper parametreleri ile eğitim tekrarlanıp, sonuçlar karşılaştırılmıştır. Buna göre; Bitcoin veri seti için, LSTM algoritmasına göre eğitim R-Kare performans değeri 0,991, test R-Kare değeri ise 0,938 olarak bulunmuştur. GRU algoritmasına göre ise eğitim R-Kare performans değeri 0,991, test R-Kare değeri ise 0,922 olarak bulunmuştur. YSA modeline göre ise eğitim R-Kare performans değeri 0,894, test R-Kare değeri ise 0,917 olarak bulunmuştur. Etheryum veri seti için, LSTM algoritmasına göre eğitim R-Kare performans değeri 0,994, test R-Kare değeri ise 0,994 olarak bulunmuştur. GRU algoritmasına göre ise eğitim R-Kare performans değeri 0,998, test R-Kare değeri ise 0,992 olarak bulunmuştur. YSA modeline göre ise eğitim R-Kare performans değeri 0,996, test R-Kare değeri de 0,996 olarak bulunmuştur. Bu sonuçlara göre YSA, LSTM ve GRU modeller arasında anlamlı bir fark olmadığı görülmektedir. Kullanılan tüm makine öğrenme modelleri Eğitim ve Test R-Kare performans değerleri % 90'nın üzerinde olup % 99'a kadar çıkmaktadır. Bu performans değerlerine bakıldığında iyi bir başarım gösterdiği sonucuna varılabilir. Çalışma farklı amaçlar için kullanılan kripto varlıklara yatırım yapan kurumsal ve bireysel yatırımcılara karar destek sistemi sağlayacaktır. Ayrıca farklı dönemlerde ve süreçlerde diğer kripto paraların da tahmin edilebilmesi için literatürde örnek teşkil edebileceği düşünülmektedir. Çalışmada veri seti olarak geçmiş veriler ve işlem hacmi kullanılmıştır. Ancak fiyatın oluşmasına etki eden başka faktörler (faiz oranları, politik riskler, kurlar, gelir dağılımı vb.) de olabilir. Bu faktörlerden biri ya da birkaçı dikkate alınarak farklı çalışmalar yapılabilir.
Özet (Çeviri)
With the development and diversification of technology in the modern world, our life and lifestyle are also changing. One of the more important technological advancements to happen in recent years is the emergence of blockchain technology and cryptocurrencies. While most people equate cryptocurrency with Bitcoin, there are actually many different cryptocurrencies that exist in the market. Currently, cryptocurrencies do not have a centralized structure. This means that they experience continual price fluctuations. The rate and percentage that the price of cryptocurrencies will change has become a matter of curiosity for both crypto investors and researchers. However, more importantly, it has revealed the need for the ability to predict these changes. In this study, price index estimation of different cryptocurrencies was made using machine learning methods and deep learning methods. The results were compared during the crisis periods caused by the pandemic, war and related economic problems in the world. Artificial neural network algorithms, which have recently become one of the more popular and successful machine learning methods, were used in this study. The deep learning model was pre-trained using both the historical index and volume data of cryptocurrencies. This model was then used to train our data set. We created a Bitcoin dataset and an Ethereum dataset using the public website“investing.com”. The Bitcoin dataset consisted of 1578 daily indices and a trading volume between 01.01.2018 and 27.04.2022. The Ethereum dataset comprised 2233 indices and a trading volume between 10.03.2016 and 20.04.2022. Each dataset was then trained, validated and tested using each machine learning model. We used the deep learning algorithms, long short term memory (LSTM) and Gated Recurrent Unit (GRU) and the Artificial Neural Network (ANN) to train, test and validate each of the datasets. The training was repeated using different hyper parameters of these algorithms and the results were compared. In the Bitcoin dataset trained using LSTM, the training R-Square performance value was 0.991 and the test R-Squared value was 0.938. Using the GRU algorithm, the training R-Square performance value was 0.991 and the test R-Square value was 0.922. The ANN model yielded a training R-Square performance value of 0.894, and a test R-Square value of 0.917. For the Ethereum dataset, the dataset trained using the LSTM algorithm yielded a R-Square performance value of 0.994, and a test R-Square value of 0.994. Using the GRU algorithm, the training R-Square performance value was found to be 0.998, and the test R-Square value was 0.992. With the ANN model, the training R-Square performance value was found to be 0.996, and the test R-Square value was 0.996. According to these results, it is seen that there is no significant difference between the LSTM, GRU, and ANN models. The values of the Training and Test R-Square performances were between 90% and 99% in each of the machine learning models used. Considering these performance values, it can be concluded that the prediction model has good performance. The study will provide a decision support system for both institutional and individual investors investing in crypto assets. It can be used for different purposes. In addition, it can serve as an example in the literature for estimating other cryptocurrencies in different periods and processes. Historical data and transaction volume were used as data sets in the study. However, there may be other factors (interest rates, political risks, exchange rates, income distribution, etc.) that affect the formation of the price. Different studies can be done while considering one or more of these factors.
Benzer Tezler
- Determining parameters of rheological models by the method of least squares
Enküçük kareler yöntemiyle reolojik modellerin parametrelerinin belirlenmesi
JORES DONGMO NGUIMATSIA
Yüksek Lisans
İngilizce
2019
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. GÜRŞAT ALTUN
- Ekonomik kriz dönemlerinde aile bireylerinde kararların optimize edilmesi ve krizi atlatmada doğru dengenin oyun teorisi açısından sağlanması: 2015 Azerbaycan kriz dönemi örneği
Optimizing decisions in family members in times of economic crisis and providing the right balance in resolving the crisis in terms of game theory: The case of 2015 Azerbaijan crisis period
JAVİD NURUZADE
Yüksek Lisans
Türkçe
2019
EkonomiSakarya ÜniversitesiFinansal Ekonomi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇİSEM BEKTUR
- The effectiveness of artificial intelligence in financial analysis: ISE100
Finansal analizde yapay zekanın etkinliği: BIST100
FİKRİYE KARACAMEYDAN
Doktora
İngilizce
2023
BankacılıkAnkara Yıldırım Beyazıt ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. ERHAN ÇANKAL
- Kuantum liderlik ile örgütsel zekâ düzeyinin çalışan inovatif(Yenilikçi) davranışı üzerine etkisi
The effect of quantum leadership and organizational intelligence level on employee innovative behavior
AYŞE BİLGEN
- Türkiye'de fintek sektörünün gelişim dinamikleri
Development dynamics of the fintech sector in Turkey
SAİT GENÇ
Yüksek Lisans
Türkçe
2021
İşletmeİstanbul Ticaret Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RECEP ALİ KÜÇÜKÇOLAK