Kripto para fiyat analizi için makine öğrenme yaklaşımları
Machine learning approaches for cryptocurrency price analysis
- Tez No: 946946
- Danışmanlar: DR. ÖĞR. ÜYESİ YUSUF ÇELİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Munzur Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Bu çalışma, finansal zaman serilerinin kısa vadeli tahmini amacıyla çeşitli veri yapıları ve model konfigürasyonlarının kapsamlı bir değerlendirmesini sunmakta; teknik göstergelerle zenginleştirilmiş Long Short-Term Memory (LSTM) tabanlı bir derin öğrenme modeli önermektedir. Model, saatlik ve dakikalık çözünürlükte yapılandırılmış veri setleri kullanılarak, fiyat-hacim bilgileri ile teknik analiz göstergelerinin ayrı girişler olarak işlendiği farklı senaryolar altında test edilmiştir. Ayrıca LSTM, GRU ve BiLSTM mimarileri; MSE, MAE, Huber ve büyük hataları daha fazla cezalandıracak şekilde tasarlanmış özel bir ağırlıklı kayıp fonksiyonu ile değerlendirilmiştir. Deneysel sonuçlar, teknik göstergelerle desteklenen LSTM modelinin hem fiyat hareketlerinin yönünü hem de büyüklüğünü doğru şekilde tahmin etmede yüksek performans sergilediğini göstermektedir. Bu çalışma, derin öğrenme tabanlı finansal tahmin bağlamında farklı veri türleri ve modelleme stratejilerini birlikte ele alan bütüncül çerçevesiyle literatüre anlamlı bir katkı sunmaktadır.
Özet (Çeviri)
This study offers a thorough examination of various data formats and model setups for the short-term prediction of financial time series, presenting a deep learning framework based on Long Short-Term Memory (LSTM) enriched with technical indicators. The proposed model was tested on datasets prepared at both hourly and minute-level resolutions, where price-volume features and technical indicators were fed into the network through distinct input paths. Moreover, different model architectures namely LSTM, GRU, and BiLSTM were evaluated in combination with multiple loss functions including MSE, MAE, Huber, and a specially designed weighted loss function that applies stronger penalties to larger errors. The experimental findings indicate that the LSTM model, when supported by technical indicators, achieves high accuracy in predicting both the trend direction and magnitude of price movements. This research makes a valuable contribution to the field by adopting a holistic approach that integrates diverse data types and modeling strategies within the scope of deep learning-based financial forecasting.
Benzer Tezler
- Cryptocurrency analysis using machine learning approaches
Makine öğrenme yaklaşımları kullanarak kripto para birimi analizi
FARAH MOHAMMED SAKRAN SAKRAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT TÜRK
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- 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
- Bitcoin fiyat hareketlerinin makine öğrenme algoritmaları ile tahmini
Forecasting bitcoin price movements with machine learning algorithms
HULUSİ MEHMET TANRIKULU
- Kripto para piyasasında etkinlik analizi ve getiri tahmini
Efficiency analysis in the cryptocurrency market and return prediction
AHMET FURKAN SAK
Doktora
Türkçe
2022
İşletmeBurdur Mehmet Akif Ersoy Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HÜSEYİN DALGAR