@article{article_1783151, title={Haber Tabanlı Duygu Analizinin Bitcoin Fiyat Tahminine Etkisi: Makine Öğrenmesi Yaklaşımlarıyla Bir Karşılaştırma}, journal={Ekinoks Ekonomi İşletme ve Siyasal Çalışmalar Dergisi}, volume={12}, pages={24–42}, year={2025}, DOI={10.48064/equinox.1783151}, author={Özcan, Enver Faruk and Yenikaya, Muhammed Akif}, keywords={Cryptocurrency, Natural language processing, Sentiment analysis, Machine learning, Time series.}, abstract={Kripto para piyasaları, yüksek volatilite ve öngörülemez yapıları nedeniyle geleneksel finansal araçlardan ayrışmakta ve bu durum fiyat tahmini çalışmalarını akademik açıdan önemli bir araştırma alanı haline getirmektedir. Bitcoin, piyasa değeri ve işlem hacmi bakımından öne çıkan en önemli kripto varlık olup, fiyat hareketlerinin yalnızca teknik göstergelerle değil, aynı zamanda yatırımcı duyarlılığı ve davranışsal faktörlerle de yönlendirildiği kabul edilmektedir. Bu bağlamda, fiyat tahmini süreçlerinde duygu analizi tabanlı göstergelerin rolünü araştırmak hem literatüre hem de pratik uygulamalara katkı sunabilecek niteliktedir. Bu çalışmada, haber içeriklerinden elde edilen duygu analizlerinin Bitcoin fiyat tahminine etkisi incelenmiştir. Lineer Regresyon, Rastgele Orman, Destek Vektör Regresyonu ve XGBoost Regressor olmak üzere dört farklı makine öğrenimi algoritması kullanılmış, modeller teknik verilerle ve duygu skorlarının entegrasyonu ile oluşturulan iki farklı senaryo altında test edilmiştir. Bulgular, özellikle topluluk yöntemleri (ensemble) tabanlı yöntemlerin duygu verilerinden anlamlı ölçüde faydalandığını ortaya koymuştur. İyileştirme öncesinde Destek Vektör Regresyon modeli 5.024 MAE ve 7.257 RMSE ile en düşük hata değerini üretirken, XGBoost modeli 6.109 MAE ve 7.986 RMSE ile daha zayıf performans sergilemiştir. Duygu analizi entegrasyonu sonrasında ise Rastgele Orman modelinde hata değerleri 490 MAE ve 772 RMSE’ye, XGBoost modelinde ise 676 MAE ve 1.137 RMSE’ye kadar düşmüştür. Buna karşılık, Lineer Regresyon modeli 0.00 hata değerleriyle aşırı öğrenme eğilimi göstermiş, Destek Vektör Regresyon ise 4.810 MAE ve 6.960 RMSE ile sınırlı iyileşme sağlamıştır.}, number={2}, publisher={Siirt University}