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: Belirtilmemiş.
- 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: 104
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
- Türkiye fintek ekosisteminin gelişimi ve İslami Finansa katkısı
The future of Turkish fintech ecosystem and its contribution to Islamic Finance
ASSEL KYSSYKOVA
Yüksek Lisans
Türkçe
2024
Ekonomiİstanbul Üniversitesiİslam İktisadı ve Finansı Ana Bilim Dalı
DOÇ. DR. İBRAHİM SIRMA
- A critical analysis of Bitcoin through the efficient market hypothesis
Etkin piyasalar hipotezi aracılığıyla Bitcoin'in eleştirel bir analizi
BAŞAK EYLÜL BOZKAYA
- Finansal kiralama işlemlerinin TMS 17 kiralama işlemleri standardı ile yasal düzenlemeler açısından incelenmesi ve muhasebe uygulamaları
Investigation of financial leasing transactions in terms of TAS 17 leasing transactions standard and legal regulations and accounting practices
MUSTAFA AKAT
- Olasılık dağılımı varsayımının riske maruz değer (Rmd) hesabı üzerine etkilerinin incelenmesi
Investigation of the effects of probability distribution assumption on value at risk (Var) calculation
GÖNÜL ULUDAĞ
Yüksek Lisans
Türkçe
2006
Bankacılıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. HASAN DAĞ
PROF. DR. İLHAN KEREM ŞENEL
- Bağımsız denetçilerin bilgi sistemleri denetiminin bağımsız denetime etkisi konusundaki görüşleri ve e-belge özel entegratörleri bilgi sistem denetimine ilişkin bilgi düzeylerinin araştırılması: Ankara ili uygulaması
Opinions of independent auditors on the effect of information systems audit on independent audit, investigation of the knowledge levels regarding e-document private integrators information system audit: Ankara provincial pratice
ZELİHA KOCA
