Deep Q-Network based cryptocurrency investment strategies using transformer function approximator
Transformer fonksiyon yaklaşımcısını kullanarak derin Q-Ağı tabanlı kripto para yatırım stratejileri
- Tez No: 858717
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE SEFER
- 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: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 55
Özet
Kripto paralar, çoğunlukla merkeziyetsiz ve şeffaf oldukları için alternatif bir yatırım sınıfı olarak son zamanlarda daha fazla öne çıkmaya başladı. Kripto paraların benzersiz özelliklere sahip olmaları ve daha oynak olmaları nedeniyle, daha doğru fiyat tahmini ve daha karlı yatırım stratejileri geliştirmek için yeni yaklaşımlar geliştirmemiz gerekiyor. Derin öğrenme yöntemleri arasında özellikle derin takviye öğrenmesi ve dönüştürücüler dikkat çekici derecede daha fazla ilgi görmeye başladı. Burada, bir Derin Q-Ağı (DQN) ile bir görüş dönüştürücü (ViT) sinir ağı fonksiyon yaklaşımını uygulayan Reincrypt ile karşınıza çıkıyoruz. Burada, önemli teknik analiz göstergelerinden oluşan bir set kullanarak, tek boyutlu zaman serisi verilerini 2D gri tonlamalı görüntü benzeri verilere dönüştürüyoruz. Böyle dönüştürülmüş veriler, çeşitli kripto para fiyat hareketlerini tahmin etmek için çerçevemizde girdi olarak alınacak. Modelin öğrenme sürecini stabilize etmek ve performansını artırmak için parametre dondurma ve deneyim tekrarı gibi teknikler kullanıyoruz. Detaylı bulgularımız, önerilen yöntemin kripto para fiyatlarındaki değişiklikleri tahmin etmede başarılı olduğunu gösteriyor. Genel olarak, yöntemimiz sadece Bitcoin değil, farklı kripto paralarda da kar sağlıyor. Yöntemimizin çıktısı sonucunda oluşturulan portföyleri analiz ettiğimizde, işlem başına işlem maliyetlerini dikkate almadan yaklaşık %0.5 getiri elde ediyoruz. Ayrıca, yöntemimizi farklı bir kripto para üzerinde eğittiğimizde gelecekteki kripto para fiyat hareketlerini tahmin edebildiğimizi görüyoruz. Bu durumda, yöntemimizi Bitcoin gibi yüksek işlem hacmine ve likiditeye sahip kripto paralar üzerinde eğitip, performansını nispeten daha az likit alternatif kripto paralarda test edebiliriz. Bu sonuçlara göre, derin öğrenme tabanlı kripto para fiyat hareketi tahmin yöntemleri, bu varlıklar için daha az veriye sahip olsak bile alternatif kripto paralar için kullanılabilir.
Özet (Çeviri)
Cryptocurrencies have recently started to become more apparent as an alternative investment class, as they are mainly decentralized and transparent. Since cryptocurrencies have unique features and are more volatile, we need to develop novel approaches for more accurate price prediction and more profitable investment strategies. Deep learning methods including deep reinforcement learning and transformers have been attracting remarkably more attention. Here, we come up with Reincrypt which applies Deep Q-Network (DQN) with a vision transformer (ViT) neural network function approximation, where we transform one-dimensional time-series data to 2D grayscale image-like data by using a set of important technical analysis indicators. Such transformed data will be taken as input in our framework to predict various cryptocurrency prices. To stabilize the learning process of the model and enhance its performance, we employ techniques like parameter freezing and experience replay. Our detailed findings show that the proposed method is successful in forecasting changes in cryptocurrency prices. Overall, our method yields profit in different cryptocurrencies, not just Bitcoin. When we analyze the portfolios formed as a result of our method's output, we obtain approximately 0.5% return per transaction before considering transaction costs for the cryptocurrencies. Additionally, we can predict future cryptocurrency prices even when we train our method on a different cryptocurrency. In this case, we can train our method on highly-traded and liquid cryptocurrencies such as Bitcoin, and test its performance on relatively less liquid alternative cryptocurrencies. According to these results, deep learning-based cryptocurrency price prediction methods could be utilized for alternative cryptocurrencies, even though we have fewer data for these assets.
Benzer Tezler
- A revised approach to cryptocurrency portfolio optimization using advanced Q-learning and policy iteration frameworks
Başlık çevirisi yok
CEREN ALTOK
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Handover management for vehicularcommunications in dense and directional mmwave networks
Başlık çevirisi yok
ABDULKADİR KOSE
- Multi-agent reinforcement learning based energy management with P2P/V2G
P2P/V2G ile çoklu-temsilcili pekiştirmeli öğrenme tabanlı enerji yönetimi
METE YAVUZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Okan ÜniversitesiOtomotiv Mekatroniği ve Akıllı Araçlar Ana Bilim Dalı
DOÇ. DR. ÖMER CİHAN KIVANÇ
- Cellular network based resources allocation using machine learning approaches
Başlık çevirisi yok
BANDAR ABDULABBAS ALMANKOSHI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- Hiyerarşik başlangıç pozisyonlu derin Q-ağı algoritması ile mobil robot uygulaması
Mobile robot application with hierarchical start position deep Q-network algorithm
EMRE ERKAN
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ALİ ARSERİM