Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini
Prediction of price bubbles in cryptocurrency markets with machine learning methods
- Tez No: 993034
- Danışmanlar: PROF. DR. AYHAN İSTANBULLU, DOÇ. DR. HİLMİ TUNAHAN AKKUŞ
- Tez Türü: Yüksek Lisans
- Konular: Maliye, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Finance, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, kripto varlık piyasalarında, özellikle Bitcoin'de, ani değer kayıplarına yol açan fiyat balonlarının araştırılması ve nedenlerinin makine öğrenmesi yöntemleri ile tespit edilmesini amaçlamaktadır. Kripto piyasalarının yüksek oynaklığı ve karmaşık yapısı, ilgili piyasada fiyat balonlarının varlığı konusunda şüphe uyandırmaktadır. Yapılan çalışmada ilk olarak 1 Ocak 2020 ile 5 Haziran 2024 tarihleri arasındaki veriler analiz edilmiş ve fiyat balonları GSADF testi ile tespit edilmiştir. Sonraki aşamada fiyat balonları, makine öğrenmesi ve derin öğrenme sınıflandırma algoritmaları kullanılarak tahmin edilmektedir. Sınıflandırma tahmini için finansal ve ekonomik değişkenlerin yanı sıra çeşitli teknik indikatörler de türetilerek kullanılmaktadır. Metodolojik olarak, özellik mühendisliği aşamasında makroekonomik göstergelere ek olarak RSI, SMA ve ATR gibi teknik göstergeler kullanılmıştır. Veri sızıntısını önlemek amacıyla tüm değişkenler modele gecikmeli olarak dahil edilmiştir. Modellerin performansı, azınlık sınıfı başarımını ölçmeye uygun Test F1 Skoru, PR-AUC ve ROC-AUC metrikleri ile değerlendirilmiştir. Analiz sonuçlarına göre, makine öğrenmesi modellerine kıyasla RNN modeli, %70 eğitim – %30 test bölünmesinde 0,705 Test F1 skoru ve 0,797 PR-AUC değeri ile en yüksek performansı sergilemiştir. Bu çalışma, fiyat balonlarının varlığını tespit etmek ve veriyi etiketlemek amacıyla ekonometrik GSADF testini kullanmıştır. Belirtilen etiketleri öngörmek amacıyla ise RNN tabanlı derin öğrenme mimarisini kullanan iki aşamalı bütünleşik bir metodoloji sunmaktadır. Elde edilen bulgular üç temel alanda somut katkı sağlamaktadır. İlk olarak yatırımcılar için spekülatif balon dönemlerinde riskleri azaltmaya yardımcı olan bir erken uyarı mekanizması sunmaktadır. İkinci olarak düzenleyici kurumlar açısından piyasa gözetimine yönelik uygulanabilir bir analitik çerçeve önermektedir. Son olarak akademik literatüre, finansal zaman serilerinde zaman bağımlılığını modelleyebilen RNN tabanlı yaklaşımların, geleneksel modellere kıyasla daha güçlü genelleme yeteneğine sahip olduğunu ampirik olarak göstermektedir.
Özet (Çeviri)
This thesis aims to investigate price bubbles in crypto-asset markets—particularly Bitcoin—that can trigger abrupt value declines, and to identify their underlying drivers using machine learning methods. The high volatility and complex market dynamics of cryptocurrencies raise important questions about the existence and detectability of speculative bubbles. In this study, data covering the period from January 1, 2020 to June 5, 2024 are analyzed, and bubble episodes are first identified using the Generalized Supremum Augmented Dickey–Fuller (GSADF) test. In the subsequent stage, these bubble labels are forecast using a range of machine learning and deep learning classification algorithms. For the classification task, the study incorporates not only financial and macroeconomic variables but also engineered technical indicators. Methodologically, the feature engineering phase includes technical measures such as the Relative Strength Index (RSI), Simple Moving Average (SMA), and Average True Range (ATR), alongside macroeconomic indicators. To mitigate the risk of data leakage, all predictors are incorporated with appropriate lags. Model performance is evaluated using metrics well-suited to imbalanced classification, including Test F1 Score, PR-AUC, and ROC-AUC. Empirical results indicate that, relative to traditional machine learning models, the RNN model achieves the strongest performance, attaining a Test F1 score of 0.705 and a PR-AUC of 0.797 under a 70% training–30% testing split. Overall, this thesis proposes a two-stage integrated methodology: (i) econometric bubble detection and labeling via the GSADF test, and (ii) bubble prediction using an RNN-based deep learning architecture.The findings provide tangible contributions in three key areas. First, the proposed framework offers an early-warning mechanism that can help investors mitigate risk during speculative bubble periods. Second, it provides regulators with a practical analytical framework to support market surveillance and oversight. Finally, it contributes to the academic literature by empirically demonstrating that RNN-based approaches—capable of modeling temporal dependence in financial time series—exhibit stronger generalization performance than conventional models.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile kripto paraların gelecekteki tahmini
Future prediction of cryptocurrencies with machine learning methods
ELİF DİLASA KURT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
DR. AHMET ELBİR
- Makine öğrenmesi yöntemleri ile bıtcoın trend dönüşlerinin tahmin edilmesi
Predicting bitcoin trends reversals with machine learning methods
SERGÜL ÜRGENÇ
Yüksek Lisans
Türkçe
2023
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BARIŞ AŞIKGİL
- 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
- Genelleştırilmiş toplamsal modeller ile Bitcoin için yön analizi
Directional analysis of Bitcoin using generalized additive models
İLAYDA ARIKAN
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. SERPİL AKTAŞ ALTUNAY
- Karma frekanslı zaman serilerinin modellenmesi: Büyük veri örneği
Modeling of mixed frequency time series: Big data example
GÖZDE BOZKURT