Cryptocurrency analysis using machine learning approaches
Makine öğrenme yaklaşımları kullanarak kripto para birimi analizi
- Tez No: 849850
- 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: 2024
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Kripto para biriminin popülaritesi ve ticari kabulü, finansal sistemi yeniden şekillendirmede kilit bir rol oynamaktadır. Özellikle yüksek getiri potansiyeli, yatırımcıların kripto para ticaretine olan ilgisini artırmıştır. BTC yatırımlarından maksimum getiri elde etmek için, kesin fiyat tahmini vazgeçilmez hale gelmiştir. Kripto para fiyat tahmini, doğası gereği bir zaman serisi görevi olduğundan, derin öğrenme modellerini kullanmak son derece tavsiye edilir. Bu bağlamda, çalışmamız, Yapay Sinir Ağları (ANN) ve Evrişimsel Sinir Ağları (CNN) üzerinde öncelikli olarak yoğunlaşarak, günlük BTC fiyatlarını (BP) tahmin etmek için farklı derin öğrenme modellerinin kapsamlı bir değerlendirmesine derinlemesine dalıyor. İlk veri setimiz, veri bilimi çabaları için önde gelen bir merkez olan Kaggle'dan elde edildi. Ön işleme sırasında tutarlılığı sağlamak için min-maks ölçeklendirme tekniğini kullandık. Derin öğrenme modellerinin yanı sıra, analizimiz Doğrusal Regresyon (LR), Karar Ağacı Regresyonu (DT), Rastgele Orman Regresyonu (RF) ve diğerleri gibi bir dizi makine öğrenimi modelini de kapsadı. Bu, çeşitli tahmin metodolojileri arasında kapsamlı bir karşılaştırma sunmak içindi. Bu modellerin tahmin gücünü değerlendirmek için kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE) ve korelasyon katsayısı (R) gibi ana regresyon metriklerini kullandık. Daha önce tartışıldığı gibi, düşük bir RMSE'nin daha iyi model performansı anlamına geldiğini ve tahmin hatalarını azalttığını belirtmek önemlidir. Sonuçlarımızda, CNN derin öğrenme modelleri arasında 0.0543 RMSE, 0.0324 MAE ve 0.960 R değeri ile en üst sıradaki yarışmacı olarak ortaya çıktı, BP'yi tahmin etmedeki olağanüstü yeteneğini vurguladı. Geleneksel makine öğrenimi modellerinin değerlendirilmesinde, RF modeli 0.0561 RMSE ve 0.0246 MAE ile dikkat çekici bir performans sergiledi. Önceki tartışmalara göre, düşük bir RMSE değerinin daha iyi tahmin doğruluğu anlamına geldiğini ve bu bağlamda RF modelini son derece etkili kıldığını belirtmek gerekir. Buna rağmen, RF modelinin performansının, özellikle RMSE açısından CNN modeline kıyasla biraz daha düşük olduğu dikkate değerdir. Ek olarak, RF modeli için R2 değeri 0.958287 olarak belirlendi ve verilere sağlam bir uyum gösterdi; ancak bu veya diğer makine öğrenimi modelleri için korelasyon katsayısı (R değeri) belirtilmedi. R değerini dahil etmek, her modelin performansını daha ayrıntılı anlamamızı sağlayabilir ve gelecekteki değerlendirmelerde dikkate alınmalıdır.
Özet (Çeviri)
Cryptocurrency is (CRYPTO) popularity and commercial acceptance are pivotal in reshaping the financial system. The allure of potentially high returns has especially piqued the interest of investors in CRYPTO trading. To maximize returns on Bitcoin (BTC) investments, precise price prediction (PP) becomes indispensable. Since CRYPTO PP is inherently a time series task, utilising Deep Learning (DL) models is highly advisable. In this context, our study delves into a comprehensive assessment of different DL models, focusing primarily on Artificial and Convolutional Neural Networks, to predict daily BTC prices (BP). Our initial dataset was sourced from Kaggle, a premier hub for data science endeavours. To ensure consistency during preprocessing, we employed the min-max scaler technique. Alongside the DL models, our analysis also encompassed a spectrum of Machine Learning (ML) models such as, Decision Tree Regression (DT), Linear Regression (LR), Random Forest Regression (RF), and others. This was to offer a holistic comparison across various predictive methodologies. To gauge the predictive prowess of these models, we employed key regression metrics like mean absolute error (MAE), root mean square error (RMSE), and correlation coefficient (R). It's essential to note that a lower RMSE signifies better model performance, indicating reduced prediction errors. In our results, CNN emerged as the top contender among DL models with an RMSE of 0.0543, MAE of 0.0324, and an R-value of 0.960, underscoring its exemplary capability in forecasting BP. In our evaluation of traditional ML models, the RF model showed remarkable performance with an RMSE of 0.0561 and an MAE of 0.0246. Per previous discussions, a lower RMSE value indicates better predictive accuracy, making the RF model highly effective in this context. Despite this, it's noteworthy that the RF model's performance was slightly inferior to that of the CNN model, especially regarding RMSE. Additionally, while the R2 value for the RF model was 0.958287, indicating a solid fit to the data; the correlation coefficient (R-value) was not specified for this or other ML models. Including the R value could provide a more nuanced understanding of each model's performance and should be considered in future evaluations.
Benzer Tezler
- An integrated machine learning and metaheuristic approach for cryptocurrency price prediction
Kripto para fiyatı tahmininde makine öğrenmesi ve metasezgisel entegre bir yaklaşım
KENAN BAYAZ
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MERVE ER
PROF. SENİYE ÜMİT FIRAT
- Duygu analizi ile kripto para işlemlerindeki dalgalanmaların incelenmesi
Investigation of fluctuations in cryptocurrency transactions with sentiment analysis
UĞUR DEMİREL
- 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
2019
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. SEFER BADAY
- A quantitative comparison of regression models on timely evolving datasets
Zamanla değişen datalarda regresyon modellerinin nicel karşılaştırılması
MİTHAT SİNAN ERGEN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. KEZİBAN ORMAN
- The forecast performance of classical time series models and machine learning algorithms on bitcoin series using exogenous variables
Klasik zaman serisi modellerinin ve makine öğrenme algoritmalarının bitcoin serisi üzerinde dışsal değişkenler kullanarak öngörü performansları
SEVİLAY DOĞAN
Yüksek Lisans
İngilizce
2022
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. CEYLAN YOZGATLIGİL
