Kripto varlıklarda makine öğrenimi kullanılarak teknik göstergelerin fiyat yönü üzerine etki analizi
Impact analysis of technical indicators on price direction in crypto assets using machine learning
- Tez No: 988043
- Danışmanlar: DOÇ. DR. ADEM TEKEREK
- 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: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde yatırım danışmanlığı, profesyonel olarak sunulan yaygın bir hizmettir. Bu hizmeti sağlamak için danışmanlık firmaları kurulur ve finans uzmanları istihdam edilir. Hizmetten faydalanmak isteyen bireyler ücret ödeyerek danışmanlık alır. Finansal piyasalar uzmanlık gerektirir. Yapay zekâ sistemlerinin gelişmesiyle, bu alanda da önemli dönüşümler yaşanmıştır. Bu gelişmelere rağmen, geleceğe yönelik yapılan fiyat tahminleri yanıltıcı veya tatmin etmeyen sonuçlar üretmektedir. Bu çalışmada, Rastgele Orman Regresyonu kullanılarak Bitcoin ve Ethereum için günlük fiyat yönü tahmini üzerinden teknik göstergelerin geçmiş fiyat hareketlerine göreceli etkisi incelenmektedir. Bu kapsamda, Kripto Varlık Fiyat Yönü Tahmin Robotu tanıtılmaktadır. Topluluk modellemesi tabanlı bu makine öğrenimi modeli, büyük veri ihtiyacı duymadan, doğru seçilmiş özniteliklerle yüksek doğruluk sunmaktadır. Mart 2018'den Ocak 2025'e kadar olan verilerle yapılan testlerde kullanımı yaygın 9 teknik indikatör ile bu çalışma sırasında fiyat yönü ilişkisi keşfedilen BOP indikatörü de dahil toplam 10 indikatörün fiyat ile ilişkisi incelenmektedir. Bu çalışma, Google Colab v5e-1 donanım konfigürasyonunda yalnızca 22 saniyede sonuç üretmektedir. Parametrik yapısı sayesinde istenen teknik gösterge modele girdi olarak verilebilmektedir. Bu sayede, istenen koşullar altında geçmiş fiyat hareketleriyle en çok ilişkiye sahip olan teknik göstergeler elde edilebilmektedir. Bu durum yatırımcıların gelecek için daha doğru karar alabilmelerine olanak sağlamaktadır. Ayrıca, çalışmada 2017-2024 arası literatür incelenmiş, eksiklikler belirlenmiş ve bu çalışmanın alana katkısı ortaya konmuştur.
Özet (Çeviri)
Today, investment consultancy is a widely offered professional service. Consultancy firms are established and financial experts are employed to provide this service, while individuals seeking professional guidance pay a fee to receive consultancy. Since financial markets require specialized expertise, the emergence of artificial intelligence systems has led to significant transformations in this field. Nevertheless, most price prediction models for future market trends continue to produce misleading or unsatisfactory results. In this study, the relative impact of technical indicators on past price movements is examined through daily price direction prediction for Bitcoin and Ethereum using the Random Forest Regression algorithm. Within this context, the Crypto Asset Price Direction Prediction Robot (C-PDPR) is introduced. This community-based machine learning model delivers high accuracy with carefully selected features, without requiring large datasets. The model was tested using data from March 2018 to January 2025, analyzing the relationship between price direction and ten technical indicators, including nine widely used indicators and the Balance of Power (BOP) indicator, whose strong correlation with price direction was discovered during this research. The system produces results in only 22 seconds using Google Colab's v5e-1 hardware configuration. Thanks to its parametric structure, any desired technical indicator can be provided as an input to the model, enabling identification of those most strongly correlated with historical price movements under specific conditions. This capability allows investors to make more informed and accurate decisions regarding future market behavior. Furthermore, a comprehensive review of the literature between 2017 and 2024 was conducted to identify existing gaps, and the study's unique contributions to the field are discussed in detail.
Benzer Tezler
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
İstatistikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- NFT sales characteristics and price prediction by transfer learning visual attributes
Transfer öğrenme görsel özellikleri ile NFT satış özellikleri ve fiyat tahmini
MUSTAFA PALA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Pairs trading in cryptocurrency market using deep reinforcement learning
Başlık çevirisi yok
CEM KAYA GÜRKAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OĞUZ ATA
- Descriptive and predictive analysis of the NFT market
NFT pazarının tanımlayıcı ve tahmine dayalı analizi
ONUR CAN ÇABUK
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Analysis of various portfolio allocation decision making techniques in crypto assets using fuzzy sets
Kripto varlıklarda çeşitli portföy tahsis karar verme tekniklerinin bulanık kümeler kullanılarak analizi
TAYFUN DİRİNDA
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. MURAT LEVENT DEMİRCAN