Bitcoin fiyat öngörüsüne yönelik bir sinirsel bulanık ağ yaklaşımı
A neural fuzzy network approach for Bitcoin price forecasting
- Tez No: 874841
- Danışmanlar: DOÇ. DR. SONER AKKOÇ
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: ANFIS, Bitcoin, Fiyat tahmini, Kripto varlık, Yapay zeka, ANFIS, Bitcoin, Price ferecasting, Cryptocurrency, Artificial intelligence
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Uluslararası Ticaret ve Pazarlama Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bitcoin, blok zinciri teknolojisi altyapısı üzerine kurulmuş olan en popüler kripto para birimidir. Mevcut şartlarda kripto piyasasının en büyük hacmine sahip olan Bitcoin'in gelecekteki fiyatının ne olacağı oldukça merak edilen bir konudur. Bu çalışmada Bitcoin fiyat yönü öngörülmeye çalışılmıştır. Bu öngörüde bulunurken çalışmanın özgün değeri 'harmanlama (collate) yöntemi' olarak adlandırılan yeni bir veri madenciliği stratejisi geliştirildi. Bu bağlamda, Bitcoin fiyatının günlük olarak açılış, kapanış, en yüksek, en düşük ve hacim değerleri bağımsız değişken olarak kullanıldı. 3 ayrı veri setiyle analizler yapılan, çalışmada kullanılan BTC/USD index verilere Traindiview web sitesinden erişim sağlandı. Çalışmada, en kapsamlı veri seti olan 1. veri seti Bitcoin'in hacim verisinin ilan edildiği ilk günden analizin yapıldığı son tarih olan 17.07.2010-24.01.2024 tarihlerini kapsamaktadır. Yaklaşık 13,5 yıllık bir örneklemle çalışma yapılmıştır. 2.veri seti 03.01.2013-24.01.2024 ve 3.dönem veri seti ise 08.09.2019-18.04.2024 tarihlerini kapsamaktadır. Bitcoin fiyat yönü öngörülmeye çalışılırken geleneksel yöntem ve harmanlama yöntemleriyle analizler yapılmıştır. Sonrasında doğruluk (accuracy) oranı analizi yapılmıştır. Son olarak ise bulgularımızın performans ölçümleri için Hata Karelerinin Ortalamasının Karekökü (RMSE) değerleri analizleri yapılmıştır. Elde edilen bulgular, geliştirilen harmanlama yönteminin geleneksel yönteme (40,30,30) göre, Bitcoin'in spot fiyatlarında daha yüksek oranda öngörüde bulunduğunu saptamaktadır. Doğruluk sınıflandırma oranı bulgularına göre; modelin yükseliş olarak bulduğu değeri doğru yükseliş gününe mi ,ya da düşüş olarak bulduğu değeri doğru düşüş gününe göre mi sınıflandırdığını tespit etmiştir. RMSE bulgularında ise doğru tahmin başarı yüzdesi artıkça, hata değerlerinin azaldığı tespit edilmiştir.
Özet (Çeviri)
Bitcoin is the most popular cryptocurrency built on blockchain technology infrastructure. It is a matter of great curiosity what the future price of Bitcoin, which has the largest volume in the crypto market under current conditions, will be. In this study, an attempt was made to predict the Bitcoin price direction. While making this prediction, a new data mining strategy called the 'collate method' was developed, which is the unique value of the study. In this context, the daily opening, closing, highest, lowest and volume values of the Bitcoin price were used as independent variables. The BTC/USD index data used in the study, which was analyzed with 3 separate data sets, was accessed from the Traindiview website. In the study, the 1st data set, which is the most comprehensive data set, covers the dates 17.07.2010-24.01.2024, which is the last date of analysis from the first day when Bitcoin's volume data was announced. The study was conducted with a sample of approximately 13.5 years. The 2nd data set covers the dates 03.01.2013-24.01.2024 and the 3rd period data set covers the dates 08.09.2019-18.04.2024. While trying to predict the Bitcoin price direction, analyzes were made using traditional and blending methods. Afterwards, accuracy rate analysis was performed. Finally, Root Mean Square Error (RMSE) values were analyzed for performance measurements of our findings. The findings indicate that the developed blending method provides a higher prediction of Bitcoin's spot prices than the traditional method. According to the accuracy classification rate findings; It determines whether the model classifies the value it found as a decline for the day that occurred as a decline day or as a decline for the day that occurred for an increase. In RMSE findings, it was determined that as the percentage of correct prediction success increased, error values decreased.
Benzer Tezler
- Bitcoin fiyat hareketlerinin makine öğrenme algoritmaları ile tahmini
Forecasting bitcoin price movements with machine learning algorithms
HULUSİ MEHMET TANRIKULU
- Bitcoin fiyat hareketliliğinin makine öğrenmesi ile tahmin edilmesi
Bitcoin price volitality prediction with machine learning
AHMET AKUSTA
Doktora
Türkçe
2023
İşletmeNecmettin Erbakan Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. MEHMET NURİ SALUR
- Bitcoin fiyat hareketleri ile FED politika faiz oranı, ABD enflasyon oranı ve NASDAQ100 endeksi ilişkisi
The relationship between Bitcoin price movements, the FED's policy interest rate, U.S. inflation rate, and the NASDAQ100 index
EMRAH ÖZDEMİR
- Bitcoin'in fiyat dinamiklerinin belirleyicileri: Bir zaman seri yaklaşımı
The determinants of Bitcoin's price dynamics: A time series approach
BUĞRA İSLİM
- Makine öğrenme yöntemleriyle bitcoin fiyat analizi
Bitcoin price analysis with machine learning methods
RAHA KHAKIKHOUEI
Yüksek Lisans
Türkçe
2020
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. ASAF VAROL