Optuna tabanlı makine öğrenmesi yöntemleriyle Bitcoin fiyat tahminleme yaklaşımları
Bitcoin price forecasting approaches with optuna-based machine learning methods
- Tez No: 868856
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT TAŞKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 58
Özet
Kripto piyasaları, yüksek volatiliteleri ve öngörülemez yapıları nedeniyle finansal zaman serisi tahminlerinde önemli zorluklar sunmaktadır. Bu çalışmanın amacı, literatürde var olan yapay zeka modellerini ve finansal teknik indikatörleri kullanarak, Bitcoin'in ABD doları karşısındaki dört saatlik fiyatını tahmin edebilmektir. Çalışmada zaman serisi yaklaşımı olarak Otoregresif Entegre Hareketli Ortalama (ARIMA), Aşırı Gradyan Artırma (XGBoost), Yinelemeli Sinir Ağı (RNN), Uzun Kısa Süreli Bellek (LSTM), Zamansal Evrişimsel Ağ (TCN) ve Transformer modelleri kullanılmıştır. Teknik analiz yaklaşımı olarak, veri seti teknik indikatörlerle birlikte özellik mühendisliği süreçlerinden geçirilip geleneksel makine öğrenmesi algoritmaları uygulanmıştır. Modellerin en iyi performansı gösterebilmesi için hiperparametreleri Optuna ile optimize edilmiştir. Farklı yaklaşımlardaki en iyi performans gösteren modellerin sonuçları, topluluk yöntemi yaklaşımı olarak belirlenen üç farklı yöntemle birleştirilerek değerlendirilmiştir. Modellerin ve yöntemlerin performansları, Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Hata (MAE) metrikleriyle karşılaştırılmıştır. Sonuçlar, zaman serisi yaklaşımında Transformer modelinin MAE değeri 280.07 ve RMSE değeri 431.71 ile öne çıktığını göstermektedir. Ayrıca yüzdesel olarak hedef değişken belirlemenin, doğrudan fiyatın hedef değişken olarak kullanılmasındandaha iyi performans gösterdiği belirlenmiştir. Topluluk yöntemi olarak en iyi performans gösteren Ağırlıklı Ortalama Yöntemini MAE değeri 149.1490 ve RMSE değeri 247.3687 ile öne çıkmaktadır. Bu bulgular, önerilen yaklaşımların kripto pazarı tahmininde önemli bir potansiyele sahip olduğunu ve gelecekteki çalışmalarda daha ayrıntılı olarak incelenmesi gerektiğini ortaya koymaktadır.
Özet (Çeviri)
Crypto markets present significant challenges in financial time series forecasting with their high volatility and unpredictable nature. The aim of this study is to forecasting the 4-hour price of Bitcoin against the US dollar by using artificial intelligence models and financial technical indicators existing in the literature. Autoregressive Integrated Moving Average (ARIMA), Extreme Gradient Boosting (XGBoost), Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), Temporal Convolutional Network (TCN) and Transformer models were used as time series approaches in the study. As a technical analysis approach, the data set was subjected to feature engineering processes along with technical indicators and traditional machine learning algorithms were applied. In order for the models to show the best performance, their hyperparameters are optimized with Optuna. The results of the best performing models in different approaches were evaluated by combining three different methods designated as the ensemble approach. The performances of the models and methods were compared with the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) metrics. The results show that in the time series approach, the Transformer model stands out with its MAE value of 280.07 and RMSE value of 431.71. It has also been determined that setting a target variable as a percentage performs better than using the price directly as a target variable. As an ensemble method, the best performing Weighted Average Method stands out with its MAE value of 149.1490 and its RMSE value of 247.3687. These findings reveal that the proposed approaches have significant potential in crypto market forecasting and should be examined in more detail in future studies.
Benzer Tezler
- Güç trafolarındaki plansız kesintileri önlemek için örnek bir kestirimci bakım tabanlı anomali tahminleme yöntemi geliştirilmesi
Development of a predictive maintenance-based anomaly prediction method to prevent unscheduled outages in power transformers
TUGAY EREN GÜZELYOL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAVUZ ATEŞ
- Pediatrik göğüs ağrısı ile kalp hastalığı tanısında makine öğrenmesi uygulamaları
Machine learning applications in the diagnosis of heart disease in pediatric chest pain
ASUDE DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUNUS DEMİR
- Bagging ve Boosting tabanlı sınıflandırma yöntemlerinde hiperparametre optimizasyonu
Hyperparameter optimization in Bagging and Boosting based classification methods
BUĞRA AKOĞLU
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Dalgacık dönüşümü ve shap destekli özellik seçimi ile CNN-LSTM tabanlı güneş ışınımı tahmini
CNN-LSTM based solar irradiance estimation using wavelet transform and shap-assisted feature selection
SONGÜL KAYIK
Yüksek Lisans
Türkçe
2025
EnerjiBatman ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELAHATTİN BARIŞ ÇELEBİ