Hybrid cryptocurrency price prediction: Integrating EGARCH and LSTM with explainable AI
Hibrit kripto para birimi fiyat tahmini: EGARCH ve LSTM'yi açıklanabilir yapay zeka ile entegre etmek
- Tez No: 935498
- Danışmanlar: PROF. DR. MEHMET ALİ CENGİZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 48
Özet
Bu tez, Kriptopara piyasası, yüksek oynaklık ve spekülatif doğasıyla bilinen, doğru fiyat tahmininde bulunmayı zorlaştıran benzersiz zorluklar sunmaktadır. EGARCH gibi istatistiksel modeller, asimetrik oynaklık davranışlarını yakalamada başarılı olsa da, kriptopara verilerinde bulunan doğrusal olmayan bağımlılıkları anlamakta yetersiz kalmaktadır. Öte yandan, LSTM gibi derin öğrenme yöntemleri, mükemmel desen tanıma yetenekleri sergilemesine rağmen, finansal tahmin için gerekli istatistiksel titizliği sağlamamaktadır. Bu çalışmada, EGARCH'ın istatistiksel gücünü LSTM'nin derin öğrenmedeki üstün yetenekleriyle birleştiren, SHAP (SHapley Additive exPlanations) kullanılarak açıklanabilir yapay zeka (Explainable AI, XAI) stratejileriyle desteklenmiş bir hibrit çerçeve sunulmaktadır. Mevcut bağımsız modellerin eksikliklerini gidermek için, bu araştırma, tahmin doğruluğu ile açıklanabilirlik arasındaki boşluğu dolduran yorumlanabilir bir hibrit EGARCH LSTM modeli önermektedir. SHAP'ın entegrasyonu, model tahminini hangi değişkenlerin ne ölçüde etkilediğini görselleştirme imkânı sağlayarak, hem yatırımcılar hem de politika yapıcılar için yorumlanabilir ve güçlü bir tahmin mekanizması sunmaktadır. Hibrit yaklaşım, kıyaslama modellerine kıyasla daha doğru, sağlam ve yorumlanabilir bir performans sergilemektedir. Finansal tahmin tekniklerini geliştirerek ve öngörülemeyen kriptopara piyasasında gezinmek için sağlam bir araç sunarak, bu çalışma hem teorik hem de pratik değeri artırmaktadır. Ölçeklenebilirlik ve duygu analizi ile blokzincirine özgü metrikler gibi diğer gelişen teknolojilerle entegrasyon, modelin dayanıklılığını ve gerçek zamanlı yeteneklerini artırarak yüksek frekanslı ticaret ve piyasa altyapısının izlenmesi için yeni ufuklar açmaktadır.
Özet (Çeviri)
The cryptocurrency market known for its high volatility and speculative nature poses unique challenges in predicting accurate prices. Statistical models such as EGARCH perform well in capturing asymmetric volatility behaviours, but are unable to capture non-linear dependencies present in cryptocurrency data. Nonetheless, deep learning methods, like LSTM, provide excellent pattern matching but they are not statistically rigorous enough for financial prediction. In this study, we present a hybrid framework that unifies the statistical strength of EGARCH with the LSTM's excellent deep learning abilities, augmented by Explainable AI (XAI) strategies applying SHAP (SHapley Additive exPlanations). To overcome the shortcomings of the existing stand-alone models, the research proposes an interpretable hybrid EGARCH-LSTM model, thus bridging the gap between predictive accuracy and interpretability. The incorporation of SHAP allows for possibilities to visualize which variables have influenced the model prediction and to what extent, thus providing traders, investors, and policymakers alike with an interpretable and powerful forecasting mechanism. The hybrid approach showcases a more accurate, robust, and interpretable performance when evaluated against benchmark models. By improving financial forecasting techniques and providing a robust tool for navigating the unpredictable cryptocurrency market, this work adds both theoretical and practical value. Scalability alongside integration with other emerging technologies, including sentiment analysis and blockchain-specific metrics, adds to the model's robustness and real-time capabilities, opening new frontiers for high-frequency trading and market infrastructure monitoring.
Benzer Tezler
- Derin ve hibrit derin öğrenme teknikleriyle kripto para fiyat tahmini
Cryptocurrency price prediction using deep and hybrid deep learning techniques
HASAN KİLİMCİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET YILDIRIM
- Karma frekanslı zaman serilerinin modellenmesi: Büyük veri örneği
Modeling of mixed frequency time series: Big data example
GÖZDE BOZKURT
- Bitcoin price prediction with machine learning
Makine öğrenmesi ile Bitcoin fiyat tahmini
İLKAY SİBEL KERVANCI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET FATİH AKAY
- Derin öğrenme ile kripto para piyasasında kısa vadeli tahmin gerçekleştirilmesi
Making short-term forecasting in the cryptocurrency market with deep learning
MUHAMMED ALPEREN MOĞOL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Finansal varlıkların verileri kullanılarak Bitcoin fiyatlarının makine öğrenmesi teknikleriyle tahmini ve modellerinin performanslarının karşılaştırılması
Prediction of Bitcoin prices using machine learning techniques and comparing the performance of models using financial assets data
YUNUS YILDIRIM
Yüksek Lisans
Türkçe
2025
EkonometriBursa Uludağ ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. ERKAN IŞIĞIÇOK