Çok katmanlı algılayıcı ve uzun kısa süreli bellek ile bitcoin fiyat tahmini
Bitcoin price prediction with multi-layer perceptron and long short term memory
- Tez No: 953538
- Danışmanlar: PROF. DR. FATMA NOYAN TEKELİ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 52
Özet
Günümüzde kripto paralar yatırım aracı olarak kullanılmaya başlanmıştır. Yatırımcılar için kripto para birimlerinin gelecekteki dönemlere ait tahminlerini bilmek büyük önem taşımaktadır. Kripto paraların merkezi sistemi olmamaktadır. Bu da hiçbir devlete ya da kişiye ait olmadığını, vergi gibi hukuksal yaptırımlarının olmadığını gösterir. Kripto paralarda blok zincir teknolojisinden yararlanılmaktadır. İşlemlerin gerçekleşmesi için üçüncü bir aracıya ihtiyaç duyulmamaktadır. Her bir işlem bloklar halinde birbirine bağlanmaktadır. Bloklar değiştirilememektedir. Bu durum bize kar ve zararların analiz edilebilmesi imkanını sunmuştur. Analizlerde zaman serisi verilerinin kullanılması tahminlerin doğru yapılmasını zorlaştırmaktadır. Bu amaçla literatürde birçok farklı yöntem kullanılmıştır. Bu çalışmada ise Çok Katmanlı Algılayıcı (Multi Layer Perceptron-MLP) ve Uzun-Kısa Süreli Bellek (Long Short Term Memory-LSTM) kullanılmıştır. İki yöntem karşılaştırılarak hangisinin gerçek fiyata daha yakın tahmin sonuçları vermekte olduğu saptanmaya çalışılmıştır. Analizler yapılırken Bitcoin kapanış verilerinden yararlanılmıştır. Öncelikle min.-maks normalizasyonu uygulanmıştır. Lag=1 alınarak veri seti bir gün gecikmekli hale getirilmiştir. Böylelikle bir önceki günün kapanış verisine bakılarak bir sonraki günün verisi tahmin edilmeye çalışılmıştır. Veri seti %75 eğitim seti, %25 test seti olarak ikiye bölünmüştür. Daha sonra Bayes optimizasyonundan yararlanılarak LSTM ve MLP uygulanmıştır. Sonuçların karşılaştırılması için 2 farklı performans metriği olan Ortalama Mutlak Hata (Mean Absolute Error-MAE) ve Ortalama Karesel Hata (Mean Squared Error-MSE) kullanılmıştır. LSTM uygulanarak yapılan tahmine ait MAE 0,0156 ve MSE 0,000524 olarak hesaplanmıştır. MLP uygulanarak yapılan tahmine ait performans metrikleri MAE 0,0516 ve MSE 0,00441 olarak hesaplanmıştır. Bu sonuçlar LSTM'in tahmin başarısının daha yüksek olduğunu göstermektedir.
Özet (Çeviri)
Today, cryptocurrencies have begun to be used as investment tools. It is of great importance for investors to know the future predictions of cryptocurrencies. Cryptocurrencies do not have a central system. This shows that they do not belong to any state or person and do not have legal sanctions such as taxes. Blockchain technology is used in cryptocurrencies. A third party is not needed for transactions to take place. Each transaction is connected to each other in blocks. Blocks cannot be changed. This situation has provided us with the opportunity to analyze profits and losses. Using time series data in analyses makes it difficult to make accurate predictions. For this purpose, many different methods have been used in the literature. In this study, MLP (Multi-Layer Perceptron) and LSTM (Long-Short Term Memory) were used. By comparing the two methods, it was tried to determine which one gives closer prediction results to the real price. Bitcoin closing data was used in the analyses. First, min.-max normalization was applied. Lag=1 was used to make the data set one day late. Thus, the next day's data was tried to be predicted by looking at the previous day's closing data. The data set was divided into two as 75% training set and 25% test set. Then, LSTM and MLP were applied using Bayesian optimization. Two different performance metrics, MAE (Mean Absolute Error) and MSE (Mean Square Error), were used to compare the results. MAE for the prediction made by applying LSTM was calculated as 0,0156 and MSE as 0,000524. Performance metrics for the prediction made by applying MLP were calculated as MAE 0,0516 and MSE as 0,00441. These results show that LSTM has higher prediction success.
Benzer Tezler
- 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
- Shortenıng the test duratıon ın lgb based soıl texture analysıs
LGB tabanli toprak tekstür anali̇zleri̇nde test süresi̇ni̇n kisaltilmasi
FERHAT ALBAYRAK
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ORHAN
- Machine learning based multi-scale joint forecasting-scheduling for the internet of things
Nesnelerin interneti için makine öğrenmesi tabanlı çok ölçekli bütünleşik tahminleme-çizelgeleme
MERT NAKIP
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN RODOPLU
PROF. DR. CÜNEYT GÜZELİŞ
- Forecasting arrivals to a call centre using machine learning and deep learning
Makine öğrenimi ve derin öğrenme kullanarak bir çağrı merkezine gelenlerin tahmin edilmesi
RUKIA KASAULI NAKKAZI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET FATİH AKAY
- Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi
An applied analysis of predictive inventory planning with artificial intelligence-based approaches in the automotive industry
ÖZGE ALBAYRAK ÜNAL
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ERKAYMAN
DR. ÖĞR. ÜYESİ BİLAL USANMAZ