KRİPTO PARA GETİRİLERİ ARASINDAKİ YAYILIM ETKİSİ: YAPAY SİNİRAĞLARI ALGORİTMASI VE VAR MODELLERİ UYGULAMASI

Abstract

Menkul kıymetler borsalarında olduğu gibi kripto para piyasasında da varlıklar birbirinden etkilenmektedir. Bu anlamda, kripto para piyasasında bir varlığa gelen bir şok piyasadaki diğer varlıklara pozitif veya negatif olarak geçebilmektedir. Söz konusu etki bazen eş zamanlı olarak diğer varlıklara geçerken bazen belli bir zamana yayılarak geçmektedir. Dolayısıyla varlıklar arasındaki etkileşimin doğru bir şekilde ortaya çıkarılması yatırımcılar için kritik bir önem sahiptir. Çünkü kripto para piyasasında risk yüksek olmasına rağmen yatırımcısına yüksek getiri sağlama potansiyeline sahiptir. Bu noktadan hareketle bu çalışmada vektör otoregresif ve yapay sinir ağları algoritması modelleri birlikte kullanılarak kripto varlıklar arasındaki ilişki tahmin edilmiştir. Vektör otoregresif modeli kripto varlıklar arasındaki doğrusal ilişkiyi modellerken yapay sinir ağları algoritması doğrusal olmayan ilişkinin tahmini için kullanılmıştır. Kripto para piyasasında yüksek bir paya sahip olan Bitcoin, Ethereum, Dogecoin, Ripple ve Solana analize dahile dahil edilmiştir. Analiz Ocak-2020 ile Ocak-2025 dönemini kapsamaktadır. Analizin ilk aşamasında kripto varlıkların getirileri arasındaki ilişkinin uzunluğu vektör otoregresif modeller yardımıyla belirlenmiştir. İkinci aşamada belirlenen gecikme sayıları göz önüne alınarak yapay sinir ağları algoritması tahmin edilmiştir. Tahmin sonuçlarına göre kripto paralara gelen bir şokun diğer kripto paralara geçmesi beş günü bulmaktadır. Yapay sinir ağları algoritması duyarlılık analizi Bitcoin → Ethereum → Solana arasında tek yönlü bir yayılım ve Ripple ⇄ Dogecoin ise karşılıklı bir yayılım etkisinin olduğunu göstermektedir. Ripple ve Dogecoin arasındaki etkileşim genellikle eşzamanlıyken Bitcoin, Ethereum ve Solana arasındaki etkileşim gecikmeli olarak ortaya çıkmaktadır.

Keywords

• Kripto para piyasası
• Yapay sinir ağları algoritması
• VAR modelleri
• Yayılım etkisi

SPILLOVER EFFECTS AMONG CRYPTOCURRENCY RETURNS USING ARTIFICITIAL NEURAL NETWORK ALGORITHMS AND VAR MODELS

Abstract

Just as in the stock market, assets in the cryptocurrency market interact with each other. In this sense, a shock to one asset in the cryptocurrency market can have a positive or negative impact on other components of the market. Sometimes this impact is spread to other assets simultaneously, but sometimes it happens over a period of time. It is therefore important for investors to understand the interactions between assets. Although the risk in the cryptocurrency market is high, it has the potential to offer high returns to its investors. This study estimates the relationship among crypto assets using vector autoregressive and artificial neural network algorithm models. While the vector autoregressive method modelled the linear relationship between crypto assets, the artificial neural network algorithm was used to estimate the non-linear relationship. Bitcoin, Ethereum, Dogecoin, Ripple and Solana, which have a high share of the cryptocurrency market, were included in the analysis. The analysis covers the period from January 2020 to January 2025. In the first stage of the analysis, the length of the relationship between the returns of the crypto assets was determined using vector autoregressive method. In the second stage, the artificial neural network algorithm was estimated taking into account the specified number of lags. According to the results of the estimation, it takes five days for a shock in cryptocurrencies to be transmitted to other cryptocurrencies. The sensitivity analysis of the artificial neural network algorithm shows that there is a unidirectional spillover effect between Bitcoin → Ethereum → Solana and a bidirectional spillover effect between Ripple ⇄ Dogecoin. The interaction between Ripple ⇄ Dogecoin tends to occur simultaneously, while the interaction between Bitcoin ⇄ Ethereum ⇄ Solana tend to emerge with a time lag.

Keywords

• Cryptocurrency market
• Artificial neural network algorithm
• VAR models
• Spillover effect

References

1. Akçalı, B. Y. ve Şişmanoğlu, E. (2019). Kripto para birimleri arasındaki ilişkinin Toda–Yamamoto nedensellik testi ile analizi. Ekev Akademi Dergisi, (78), 99–122.
2. Alıca, S., Özbek, Ö. ve Gökçe, A. (2023). Kripto para birimleri arasındaki dinamik ilişkiler. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(1), 325–342.
3. Alkan, T. ve Durduran, S. S. (2024). Meyve bahçelerinin çoklu regresyon analizi ve yapay sinir ağları ile değerlemesi. Türkiye Arazi Yönetimi Dergisi, 6(1), 1–8.
4. An, Y. J., Choi, P. M. S. ve Huang, S. H. (2021). Blockchain, cryptocurrency, and artificial intelligence in finance. In Fintech with Artificial Intelligence, Big Data, and Blockchain (s. 1–34). Springer Singapore.
5. Ay, M. ve Adıyaman, G. (2022). Bitcoin ve altcoinler arasındaki ilişkinin incelenmesi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (47), 31–46.
6. Bação, P., Duarte, A. P., Sebastião, H. ve Redzepagic, S. (2018). Information transmission between cryptocurrencies: Does Bitcoin rule the cryptocurrency world? Scientific Annals of Economics and Business, 65(2), 97–117.
7. Beneki, C., Koulis, A., Kyriazis, N. A. ve Papadamou, S. (2019). Investigating volatility transmission and hedging properties between Bitcoin and Ethereum. Research in International Business and Finance, 48, 219–227.
8. Boozary, P., Sheykhan, S., ve GhorbanTanhaei, H. (2025). Forecasting the Bitcoin price using the various Machine Learning: A systematic review in data-driven marketing. Systems and Soft Computing, 200209.

9. Cao, G. ve Xie, W. (2022). Asymmetric dynamic spillover effect between cryptocurrency and China’s financial market: Evidence from TVP-VAR based connectedness approach. Finance Research Letters, 49, 103070.
10. Castillo-Girones, S., Munera, S., Martínez-Sober, M., Blasco, J., Cubero, S. ve Gómez-Sanchis, J. (2025). Artificial neural networks in agriculture, the core of artificial intelligence: What, when, and why. Computers and Electronics in Agriculture, 230, 109938.
11. Chen, J. (2023). Analysis of bitcoin price prediction using machine learning. Journal of risk and financial management, 16(1), 51.
12. Cunha, P. R., Melo, P. ve Sebastião, H. (2021). From Bitcoin to central bank digital currencies: Making sense of the digital money revolution. Future Internet, 13(7), 165.
13. CoinMarketCap. (2024). Cryptocurrencies, Historical Snapshot - 30 June 2024. Erişim adresi: https://coinmarketcap.com/historical/20240630/?utm_source=chatgpt.com
14. Çam, S. (2024). Does the exchange rate have a pass-through effect on domestic food prices in Türkiye? An empirical study using a combined ANN algorithm and VAR method. Gaziantep Üniversitesi Sosyal Bilimler Dergisi, 23(3), 1046-1059.
15. Çam, S. ve Kılıç, S. B. (2018). Altın fiyatı günlük getirilerinin yapay sinir ağları algoritması ve Markov zincirleri modelleri ile tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 681–694.
16. Çam, S., Ballı, E. ve Sigeze, Ç. (2017). Petrol fiyatlarındaki oynaklığın ARCH/GARCH modelleri ve yapay sinir ağları algoritması ile tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(13), 588–597.
17. Çam, S., Sigeze, Ç. ve Ballı, E. (2018). Türkiye’nin enerji verimliliğinin yapay sinir ağı ve ARDL yaklaşımı ile analizi. Ege Academic Review, 18(4), 661–670.
18. Dai, W. (1998). b-money. http://www.weidai.com/bmoney.txt
19. Deniz, A. ve Teker, D. (2020). Determinants of cryptocurrency market: An analysis for Bitcoin, Ethereum and Ripple. International Journal of Business and Social Science, 11(11), 36–45.
20. Di Pierro, M. (2017). What is the blockchain? Computing in Science & Engineering, 19(5), 92–95.
21. Duarte, F. (2025). How many cryptocurrencies are there in 2025? Erişim adresi: https://explodingtopics.com/blog/number-of-cryptocurrencies (Erişim tarihi: 03/04/2025).
22. Elsayed, A. H. ve Sousa, R. M. (2024). International monetary policy and cryptocurrency markets: Dynamic and spillover effects. The European Journal of Finance, 30(16), 1855–1875.
23. Gemici, E. ve Polat, M. (2019). Relationship between price and volume in the Bitcoin market. The Journal of Risk Finance, 20(5), 435–444.
24. Ghaiti, K. (2021). The volatility of Bitcoin, Bitcoin Cash, Litecoin, Dogecoin and Ethereum (Doktora tezi, University of Ottawa).
25. Göttfert, J. (2019). Cointegration among cryptocurrencies: A cointegration analysis of Bitcoin, Bitcoin Cash, EOS, Ethereum, Litecoin and Ripple.
26. Haffelder, W. H. (2025). A correlational-predictive study examining Bitcoin close price and volume and the close price of Dogecoin (Doktora tezi, Grand Canyon University).
27. Hambiralovic, M. ve Karlsson, R. (2018). Blockchain accounting in a triple-entry system.
28. Hamzaçebi, C. ve Kutay, F. (2004). Yapay sinir ağları ile Türkiye elektrik enerjisi tüketiminin 2010 yılına kadar tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3).
29. Harman, G. (2022). Altın/Dolar paritesinin farklı yapay sinir ağları öğrenme algoritmaları kullanarak bir sonraki kur tahmini. Veri Bilimi, 5(1), 1–12.
30. Huang, Z. C., Sangiorgi, I., ve Urquhart, A. (2024). Forecasting Bitcoin volatility using machine learning techniques. Journal of International Financial Markets, Institutions and Money, 97, 102064.
31. Iyer, R. ve Popescu, A. (2023). New evidence on spillovers between crypto assets and financial markets. International Monetary Fund.
32. Jareño, F., González, M. D. L. O., López, R. ve Ramos, A. R. (2021). Cryptocurrencies and oil price shocks: A NARDL analysis in the COVID-19 pandemic. Resources Policy, 74, 102281.
33. Kaya, U., Akba, F., Medeni, İ., ve Medeni, T. (2020). Covid-19 öncesi ve sonrasındaki Bitcoin fiyat değişimlerinin Makine Öğrenmesi, zaman serileri analizi ve derin öğrenme yöntemleriyle değerlendirilmesi. Bilişim Teknolojileri Dergisi, 13(3), 341-355.
34. Kendirli, S. ve Nergiz, G. (2023). Investigation of the causal relationship between cryptocurrency prices and the gross domestic products of BRICS countries: Bitcoin example. Quantrade Journal of Complex Systems in Social Sciences, 5(2), 151–158.
35. Kubar, Y. ve Toprak, Y. (2021). Bitcoin ve altcoin’ler arasındaki ilişkinin Granger nedensellik testi ile analizi. JOEEP: Journal of Emerging Economies and Policy, 6(1), 233–247.
36. Kutlu, B. ve Badur, B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim - İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Dergisi, 20(63).
37. Liu, J., Julaiti, J. ve Gou, S. (2024). Decomposing interconnectedness: A study of cryptocurrency spillover effects in global financial markets. Finance Research Letters, 61, 104950.
38. Milutinović, M. (2018). Cryptocurrency. Ekonomika – Časopis za Ekonomsku Teoriju i Praksu i Društvena Pitanja, (1), 105–122.
39. Mnif, E., Salhi, B., Mouakha, K., ve Jarboui, A. (2022). Investor behavior and cryptocurrency market bubbles during the COVID-19 pandemic. Review of Behavioral Finance, 14(4), 491-507.
40. Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system.
41. Nas, S., ve Ünal, A. E. (2023). Bitcoin fiyat değişimlerinin makine öğrenmesi yöntemi ile tahmin edilmesi. İşletme Araştırmaları Dergisi, 15(4), 2597-2608.
42. Omane-Adjepong, M. ve Alagidede, I. P. (2019). Multiresolution analysis and spillovers of major cryptocurrency markets. Research in International Business and Finance, 49, 191–206.
43. Özcan, E. F., ve Yenikaya, M. A. (2025). Haber tabanlı duygu analizinin bitcoin fiyat tahminine etkisi: makine öğrenmesi yaklaşımlarıyla bir karşılaştırma. Ekinoks Ekonomi İşletme ve Siyasal Çalışmalar Dergisi, 12(2), 24-42.
44. Özekenci, S. Y. (2023). Kripto para birimlerinin Bitcoin ile etkileşiminin incelenmesi: Toda-Yamamoto nedensellik testi. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 25(45), 1193–1209.
45. Pacelli, V., Di Tommaso, C., Foglia, M. ve Ingannamorte, S. (2025). Cryptocurrencies and systemic risk: The spillover effects between cryptocurrency and financial markets. In Systemic Risk and Complex Networks in Modern Financial Systems (s. 343).
46. Pan, L., Vaughan, O. ve Wright, C. S. (2023). A private and efficient triple-entry accounting protocol on Bitcoin. Journal of Risk and Financial Management, 16(9), 400.
47. Qarni, M. O., Gulzar, S., Fatima, S. T., Khan, M. J. ve Shafi, K. (2019). Inter-markets volatility spillover in US Bitcoin and financial markets. Journal of Business Economics and Management, 20(4), 694–714.
48. Ranjan, S., Kayal, P., ve Saraf, M. (2023). Bitcoin price prediction: A machine learning sample dimension approach. Computational Economics, 61(4), 1617-1636.
49. Riedl, R., Gschwentner, L. ve Krueger, F. (2024). Determinants of trust in Bitcoin: Literature review and results of a survey study. Telematics and Informatics Reports, 100132.
50. Segendorf, B. (2014). What is Bitcoin? Sveriges Riksbank Economic Review, 2014, 2–71.
51. Siddique, I. M., Siddique, A. A., Smith, E. D. ve Molla, S. (2024). Assessing the sustainability of Bitcoin mining: Comparative review of renewable energy sources. Journal of Alternative and Renewable Energy Sources, 10(1), 1–12.
52. Sifat, I. M., Mohamad, A. ve Shariff, M. S. B. M. (2019). Lead-lag relationship between Bitcoin and Ethereum: Evidence from hourly and daily data. Research in International Business and Finance, 50, 306–321.
53. Soltani, H., Taleb, J., & Boujelbène Abbes, M. (2025). The directional spillover effects and time-frequency nexus between stock markets, cryptocurrency, and investor sentiment during the COVID-19 pandemic. European Journal of Management and Business Economics, 34(1), 23-46.
54. Soylu, K. P., Okur, M., Çatıkkaş, Ö. ve Altıntığ, Z. A. (2020). Long memory in the volatility of selected cryptocurrencies: Bitcoin, Ethereum and Ripple. Journal of Risk and Financial Management, 13(6), 107.
55. Terraza, V., Boru İpek, A., ve Rounaghi, M. M. (2024). The nexus between the volatility of Bitcoin, gold, and American stock markets during the COVID-19 pandemic: evidence from VAR-DCC-EGARCH and ANN models. Financial Innovation, 10(1), 22.
56. Upadhyay, H. J., Raichura, B. ve Shah, R. (2018). Interrelation of Bitcoin with Euro, Gold, Nifty, Crude oil and Ripple: A causality test. Sankalpa, 8(2), 24–27.
57. Ur Rehman, M. H., Salah, K., Damiani, E. ve Svetinovic, D. (2019). Trust in blockchain cryptocurrency ecosystem. IEEE Transactions on Engineering Management, 67(4), 1196–1212.
58. Urquhart, A. (2016). The inefficiency of Bitcoin. Economics Letters, 148, 80–82.
59. Vranken, H. (2017). Sustainability of Bitcoin and blockchains. Current Opinion in Environmental Sustainability, 28, 1–9.
60. Wang, X., Chen, X. ve Zhao, P. (2020). The relationship between Bitcoin and stock market. International Journal of Operations Research and Information Systems (IJORIS), 11(2), 22–35.
61. Wattenhofer, R. (2016). The science of the blockchain. CreateSpace Independent Publishing Platform.
62. Wu, B., Xu, J., Zhang, Y., Liu, B., Gong, Y. ve Huang, J. (2024). Integration of computer networks and artificial neural networks for an AI-based network operator. arXiv preprint arXiv:2407.01541.
63. Zhang, S. ve Mani, G. (2021). Popular cryptoassets (Bitcoin, Ethereum, and Dogecoin), gold, and their relationships: Volatility and correlation modeling. Data Science and Management, 4, 30–39.
64. Zhang, S., Xu, Q., Ding, X. ve Han, K. (2025). Risk spillover between cryptocurrencies and traditional currencies: An analysis based on neural network quantile regression. Physica A: Statistical Mechanics and its Applications, 130560.
65. Zhou, F. (2024). Cryptocurrency: A new player or a new crisis in financial markets? Evolutionary analysis of association and risk spillover based on network science. Physica A: Statistical Mechanics and its Applications, 648, 129955.