Investigation of financial applications with blockchain technology
Blockchaın teknolojsı ıle fınansal uygulamaların incelenmesi
- Tez No: 823050
- Danışmanlar: DR. ÖĞR. ÜYESİ FUAT TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Kripto varlık, Makine öğrenmesi, Deep learning, Cryptocurrency, Machine learning
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, kripto para birimi fiyatlarının tahmininde makine öğrenmesi (ML) ve derin öğrenme (DL) metodolojilerinin kullanımına odaklanmaktadır. Araştırma, Bitcoin, Ethereum, Dogecoin, USD Coin, Binance Coin ve Cardano gibi başlıca kripto paraların tarihsel fiyat verilerinin yorumlanmasına yöneliktir. Bu sanal para birimleri, eşsiz ve öngörülemez davranışlar sergilemektedir; dolayısıyla, fiyat dinamiklerini anlamak, bilinçli finansal kararlar vermek için hayati önem taşır. Bu çalışmanın temel amacı, çeşitli ML ve DL tekniklerini kullanarak bu kripto paraların her biri için özelleştirilmiş tahmin modelleri oluşturmaktır, bu da yatırımcıların, tüccarların ve finansal kuruluşların hızla gelişen kripto para piyasasında daha hassas ve kârlı kararlar almasına yardımcı olur. Bu çalışmanın merkezinde, her bir kripto para birimi için özelleştirilmiş tahmin modellerini geliştirmek için çeşitli ML ve DL algoritmalarının kullanılması bulunmaktadır. LASSO (En Küçük Mutlak Küçülme ve Seçim Operatörü), Doğrusal Regresyon, Ridge Regresyon, Karar Ağacı, AstroML, Evrişimli Sinir Ağları, Destek Vektör Makineleri, En Yakın Komşular, LSM (En Küçük Kareler Yöntemi), XGBoost Regresyon ve Gauss Süreci Regresyonu gibi bir dizi teknik kullanılmıştır. Bu teknikler, karmaşık doğrusal olmayan ilişkileri, eksik değerleri ve büyük veri hacimlerini ele alma yeteneklerine dayanarak seçilmiştir. Yaklaşım, her bir kripto para birimini ayrı ayrı modellendirme yönündeydi, çünkü her birinin farklı dış faktörlerden etkilenen benzersiz özellikler ve davranışlar sergileme ihtimali vardır. Bu tahmin modellerinin etkinliği, root mean square error (RMSE) ve R-kare gibi sağlam performans metrikleri kullanılarak değerlendirildi. RMSE, tahmin hatasının ortalama büyüklüğünü ölçer, modelin fiyatları ne kadar doğru bir şekilde tahmin ettiği konusunda bir anlayış sağlar, R-kare ise bağımlı değişkenin varyansının modeldeki bağımsız değişkenler tarafından açıklanan oranını temsil eder. Bu metrikler, tahmin modellerinin kapsamlı ve titiz bir değerlendirmesine olanak sağladı. Araştırmanın bulguları, kripto para piyasasındaki çeşitli paydaşlar için zengin içgörüler sunmaktadır. ML ve DL algoritmalarının kripto para fiyatlarını tahmin etmedeki etkinliğini göstererek, araştırma yatırımcılara, tüccarlara ve finansal kuruluşlara karar verme süreçlerine yardımcı olacak değerli araçlar sunar. Ayrıca, çeşitli modellerin performansını karşılaştırarak, hangi ML tekniklerinin kripto para fiyat tahmini için en uygun olduğuna dair içgörüler sunar. Özellikle Gauss Süreci Regresyonunun kripto para fiyatlarını tahmin etmedeki olağanüstü performansı dikkate değerdir. Bu teknik, büyük miktarda öngörücüyü ve değişkenler arasındaki karmaşık ilişkileri ele alma yeteneği ile bilinir, test edilen diğer modelleri geride bırakmıştır. Bu, Gauss Süreci Regresyonunun kripto para fiyatlarını tahmin etme potansiyelini vurgular ve alanın daha fazla araştırılması için umut verici bir yön sunar.
Özet (Çeviri)
This thesis focusing on utilizing machine learning (ML) and deep learning (DL) methodologies for forecasting cryptocurrency prices. The research concentrates on interpreting historical price data of prime cryptocurrencies, including Bitcoin, Ethereum, Dogecoin, USD Coin, Binance Coin, and Cardano. These virtual currencies demonstrate unique and unpredictable behavior; therefore, the need to understand their price dynamics is vital for making informed financial decisions. The essential objective of this study is to utilize various ML and DL techniques to construct tailored prediction models for each of these cryptocurrencies, aiding investors, traders, and financial institutions in making more precise and lucrative decisions in the rapidly evolving cryptocurrency market. The central tenet of this study is the use of diverse ML and DL algorithms to develop specialized prediction models for each cryptocurrency. Several techniques are deployed, such as LASSO (Least Absolute Shrinkage and Selection Operator), Linear Regression, Ridge Regression, Decision Tree, AstroML, Convolutional Neural Networks, Support Vector Machines, K-Nearest Neighbors, LSM (Least Squares Method), XGBoost Regression, and Gaussian Process Regression. These techniques were chosen based on their ability to handle complex non-linear relationships, missing values, and large data volumes. The approach was to model each cryptocurrency individually, recognizing that each might display unique characteristics and behaviors influenced by different external factors. The efficacy of these prediction models was evaluated using robust performance metrics like root mean square error (RMSE) and R-square. RMSE measures the average magnitude of the prediction error, providing an understanding of how accurately the model forecasts the prices, while R-square represents the proportion of the variance for the dependent variable that's explained by the independent variables in the model. These metrics allowed for a comprehensive and rigorous evaluation of the prediction models. The findings of the research provide a wealth of insights for various stakeholders in the cryptocurrency market. By demonstrating the effectiveness of ML and DL algorithms in predicting cryptocurrency prices, the research offers investors, traders, and financial institutions valuable tools to aid their decision-making processes. Furthermore, by comparing the performance of various models, it provides insights into which ML techniques are most suitable for cryptocurrency price prediction. Of particular interest is the outstanding performance of the Gaussian Process Regression in predicting cryptocurrency prices. This technique, known for its capability to handle a large number of predictors and complex relationships among variables, outperformed the other models tested. This highlights the potential of Gaussian Process Regression in predicting cryptocurrency prices, providing a promising direction for further research in the field.
Benzer Tezler
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Samsun ve çevresinde tarla sarmaşığı (conuolvulus arvensis L.)'na karşı biyolojik savaşa esas olacak fauna tespiti
Investigations on the insect fauna of the field binweed (Conuolvulus arvensis L.) related to its biological control in Samsun Province
YASEMİN UFUK GERMAN
- Gebelik ve doğum olgularında prolaktin düzeylerinin değerlendirilmesi
The Evaluation of prolactin values during pregnancy labour and in deliveries
TÜLİN AKAN
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ.DR. MÜLAZIM YILDIRIM
- Bromtimol mavisi, bromkresol moru ve klorfenol kırmızısı indikatörleri katılmış özel besiyerlerinin sütlerde antibiyotik belirtilmesine uygunluğu üzerine araştırmalar
Başlık çevirisi yok
ESENGÜL TUNCER
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiSüt Teknolojisi Ana Bilim Dalı
PROF. DR. HASAN YAYGIN
- An Experimental and analytical investigation of cam follower jump phenomenon
Başlık çevirisi yok
ŞÖLEN ŞEN
Yüksek Lisans
İngilizce
1987
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ÇALIŞKAN