Geri Dön

A comparative analysis of deep learning models for multi-horizon cryptocurrency return forecasting with wavelet denoising

Dalgacık gürültü giderme ile kripto para getirilerinin çok ufuklu tahmininde derin öğrenme modellerinin karşılaştırmalı analizi

PDF İndir

  1. Tez No: 996445
  2. Yazar: MEHMET ÖZSOY
  3. Danışmanlar: PROF. DR. MUSTAFA ZİHNİ TUNCA
  4. Tez Türü: Doktora
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Fiyat tahmini, Price ferecasting
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Süleyman Demirel Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kripto para piyasaları yüksek volatilite ve gürültüye dayalı getiri dinamikleri sergiler, bu da güvenilir tahmin yapmayı özellikle zorlaştırır. Bu çalışmanın amacı, çok ufuklu kripto para getirisi tahmini için derin öğrenme modellerinin performansını incelemek ve ön işleme tekniği olarak dalgacık tabanlı gürültü gidermenin etkinliğini değerlendirmektir. Bitcoin, Ethereum ve Ripple kullanılarak, dört derin öğrenme mimarisi (LSTM, GRU, CNN–LSTM ve CNN–GRU) bir günlük, yedi günlük ve on dört günlük tahmin ufuklarında değerlendirilmiştir. Dalgacık gürültü giderme, birden fazla dalgacık ailesi ve ayrıştırma seviyesi kullanılarak pencere bazında uygulanmıştır. Sonuçlar, tahmin ufku arttıkça getiri tahmin doğruluğunda belirgin bir bozulma olduğunu gösterirken, yeniden yapılandırılmış fiyat tahminleri daha kısa ufuklarda nispeten yüksek açıklayıcı gücü korumuştur. Bağımsız tekrarlayan modeller, ham getiri verileriyle eğitildiğinde, evrişimli hibrit mimarilerden daha fazla istikrar göstermiştir. Ancak, dalgacık tabanlı modeller, özellikle CNN tabanlı hibritler, daha iyi performans sergilemiştir. Genel olarak, bulgular ufuk farkındalıklı değerlendirmenin önemini vurgulamakta ve dalgacık tabanlı gürültü gidermenin, gürültülü kripto paraların getiri serilerine uygulanan derin öğrenme modellerini geliştirebileceğini göstermektedir.

Özet (Çeviri)

Cryptocurrency markets exhibit high volatility and noise-dominated return dynamics, making reliable forecasting particularly challenging. This study examines the performance of deep learning models for multi-horizon cryptocurrency return forecasting and evaluates the effectiveness of wavelet-based denoising as a preprocessing technique. Using Bitcoin, Ethereum, and Ripple as representative assets, four deep learning architectures—LSTM, GRU, CNN–LSTM, and CNN–GRU—are evaluated across one-day, seven-day, and fourteen-day forecasting horizons. Wavelet denoising is applied in a window-wise manner using multiple wavelet families and decomposition levels. The results indicate a clear deterioration in return forecasting accuracy as the forecast horizon increases, while reconstructed price forecasts retain comparatively high explanatory power at shorter horizons. Standalone recurrent models demonstrate greater stability than convolutional hybrid architectures when trained on raw return data. However, wavelet-based models—particularly CNN-based hybrids—exhibit improved performance. Overall, the findings highlight the importance of horizon-aware evaluation and demonstrate that wavelet-based denoising can enhance deep learning models applied to noisy cryptocurrency return series.

Benzer Tezler

  1. Tez No

    812314

    A comparative study of nonlinear model predictive control and reinforcement learning for path tracking

    Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması

    GAMZE TÜRKMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  2. Tez No

    944673

    Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques

    Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri

    KÜBRA KÜLLAHCI

    Doktora

    İngilizce

    İngilizce

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜSSELAM ALTUNKAYNAK

  3. Tez No

    1010605

    Deep reinforcement learning for stackelberg dynamic pricing: from dp benchmarks to multi-agent competition

    Stackelberg dinamik fiyatlandırma için derin pekiştirmeli öğrenme: DP referanslarından çok ajanlı rekabete

    FURKAN ORAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)

    DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ

  4. Tez No

    1005227

    Onkoloji metinlerinde duygu analizi: Makine öğrenmesi, derin öğrenme ve transformer modellerinin karşılaştırmalı incelenmesi ile hasta duygularının ortaya çıkarılması ve sağlık içgörülerinin sağlanması

    Sentiment analysis in oncology texts: Revealing patient emotions and providing health insights through a comparative investigation of machine learning, deep learning, and transformer models

    BERNA ALEMDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Biyoistatistikİstanbul Medeniyet Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMET SİNAN BAŞARSLAN

    DR. ÖĞR. ÜYESİ NURGÜL BULUT

  5. Tez No

    987954

    Derin öğrenme modellerinin transfer öğrenme ile farklı veri setleri üzerindeki performanslarının karşılaştırılması

    Comparative performance analysis of deep learning models on different datasets using transfer learning

    GÜLAHMET YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURCU ÇARKLI YAVUZ

Geri Dön