ANALYSING THE MOST FAVOURED CRYPTOCURRENCIES USING ASSOCIATION RULE MINING

Abstract

The cryptocurrency market has seen significant growth in recent times. The market value of cryptocurrencies is $3.18 trillion. Among the more than 11,820 cryptocurrencies, bitcoin ranks first with a market share of 59.84%. Although the volume of transactions in the cryptocurrency market is large, investors may find it difficult to make decisions. For this reason, this study aims to examine the co-movements of cryptocurrencies with a significant size in the market. The study was carried out by taking into account the closing prices of 44 cryptocurrencies in the top 50 between 08.11.2023 and 30.11.2024. The analysis, performed in the R-Studio program, used the Apriori algorithm to determine which of the cryptocurrencies moved together within 389 days. The Apriori algorithm generated 55 rules with 95% confidence and 35% support. These rules can help those who want to diversify their portfolio in the cryptocurrency market. The cryptocurrency exchange, which has a very dynamic structure, will be able to determine the cryptocurrencies that accompany each other in upward and downward price changes, allowing investors to benefit from potential profits. The possibility that the upward or downward movement in the price of one of the cryptocurrencies whose co-movement is detected may also be accompanied by the other cryptocurrency creates a potential profit. Finally, this study does not constitute investment advice.

Keywords

• Financial Analysis
• Cryptocurrency
• Association Rule Mining
• Visualization
• Machine Learning

PİYASADA EN ÇOK TERCİH EDİLEN KRİPTO PARALARIN BİRLİKTELİK KURALLARI ANALİZİ İLE İNCELENMESİ

Abstract

Kripto para piyasası günümüzde büyüme süreci içerisinde ve piyasa değeri 3,18 trilyon doları bulmaktadır. Sayıları 11.820’yi geçen kripto paralar içerisinde %59,84’lük piyasa payına sahip olan Bitcoin ilk sırada yer almaktadır. Kripto para piyasasında işlem hacmi büyük olmasına rağmen, yatırımcılar karar verme sürecinde zorlanabilmektedirler. Bu sebeple, bu çalışmada piyasada önemli büyüklüğe sahip kripto paraların birlikte hareketlerinin incelenmesi amaçlanmıştır. Çalışma 08.11.2023-30.11.2024 tarihleri arasında ilk 50 sıra içerisinde yer alan 44 kripto paranın kapanış değerleri dikkate alınarak gerçekleştirilmiştir. R-Studio programında gerçekleştirilen analizde, 389 gün içerisinde kripto paraların hangilerinin birlikte hareket ettiği Apriori Algoritması ile tespit edilmiştir. Apriori Algoritmasında %95 güven, %35 destek değeri ile 55 kural oluşmuştur. Oluşan bu kurallar, kripto para piyasasında bulunan, portföyünü çeşitlendirmek isteyenlere yardımcı olabilecektir. Oldukça dinamik bir yapıya sahip olan kripto para borsası yukarı ve aşağı yönlü fiyat değişimlerinde birbirlerine eşlik eden kripto paraların belirlenmesinde, yatırımcıların potansiyel kardan faydalanarak pay alma imkanını sağlayabilecektir. Birlikte hareketi tespit edilen kripto paralardan bir tanesinin fiyatında görülen yukarı veya aşağı yönlü harekete diğer kripto parada da eşlik edebileceği olasılığı potansiyel kârı meydana getirmektedir. Son olarak bu çalışma yatırım tavsiyesi niteliğinde değildir; yalnızca bilimsel amaç taşımaktadır.

Keywords

• Finansal Analiz
• Kripto Para
• Birliktelik Kuralları Analizi
• Görselleştirme
• Makine Öğrenmesi

References

1. Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, 487-499.
2. Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, ACM, 207-216.
3. Akçalı, B.Y., & Şişmanoğlu, E. (2019). Kripto para birimleri arasındaki ilişkinin Toda-Yamamoto nedensellik testi ile analizi. Ekev Akademi Dergisi, 23(78), 99-122.
4. Akyıldırım, E., Goncu, A., & Sensoy, A. (2021). Prediction of cryptocurrency returns using machine learning. Annals of Operations Research, 297, 3-36.
5. Alessandretti, L., ElBahrawy, A., Aiello, L. M., & Baronchelli, A. (2018). Anticipating cryptocurrency prices using machine learning. Complexity, 1-16.
6. Argiddi, R., & Apte, S.S. (2012). Future trend prediction of Indian It Stock Market using association rule mining of transaction data. International Journal of Computer Applications, 39(10), 30-34.
7. Atalay, M., & Çelik, E. (2017). Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamaları. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
8. Avrupa Merkez Bankası, (2012). Virtual currency schemes.

9. Avşar, İ.İ. (2020). Kripto paralar ve uluslararası ticaret üzerine bir araştırma: bibliyometrik, lstm ve kümeleme analizi. Doktora Tezi, Hasan Kalyoncu Üniversitesi ve Gaziantep Üniversitesi Sosyal Bilimler Enstitüleri Uluslararası Ticaret Ve Lojistik Ana Bilim Dalı, Gaziantep.
10. Aytekin, B.A., & Ulusoy, T.A. (2022). COVID-19 döneminde kripto para yatırımına karşı tüketici algısını inceleyen bir netnografi çalışması. Business & Management Studies: An International Journal, 10(4), 1380-1396.
11. Azzalini, A., & Scarpa, B. (2012). Data analysis and data mining: an introduction. Oxford University Press, New York.
12. Baig, A., Blau, B. M., & Sabah, N. (2019). Price clustering and sentiment in bitcoin. Finance Research Letters.
13. Bırant, D., Akça, A., Bozkurt, B., Bağlan, M. (2022). Classification of scatter plot images using deep learning. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 24(71), 631-642.
14. Brin, S., Motwani, R., & Silverstein, C. (1997). Beyond market baskets: generalizing association rules to correlations. Proceedings of the 1997 ACM SIGMOD International Conference on Management of Data, ACM, 265-276.
15. Büberkökü, Ö. (2021). Kripto para birimleri arasındaki getiri ve volatilite yayılımının incelenmesi. Çağ Üniversitesi Sosyal Bilimler Dergisi, 18(2), 1-16.
16. Ciaian, P., Rajcaniova, M., & Kancsa, A. (2018). Virtual relationships: short-and long-run evidence from bitcoin and altcoin markets. Journal of International Financial Markets, Institutions and Money, 52, 173-195.
17. Cleveland, W. S. (1993). Visualizing data. Hobart Press.
18. Cleveland, W.S., & McGill, R. (1984). Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American Statistical Association, 79(387), 531–554.
19. Corbet, S., Larkin, C., Lucey, B., & Peat, M. (2020). The diversification potential of Bitcoin: Evidence from dynamic conditional correlations. Finance Research Letters, 32, 1-6.
20. Derbentsev, V., Datsenko, N., Stepanenko, O., & Bezkorovainyi, V. (2019). Forecastingcryptocurrency prices time series using machine learning approach. In SHS Web of Conferences, EDP Sciences, 65, 1-7.
21. Dhande, A., Dhani, S., Parnami, S., & Vijayakumar, K.P. (2019). Cryptocurrency price prediction using linear regression and long short-term memory (LSTM). International Journal for Research in Applied Science & Engineering Technology (IJRASET), 10(12), 1591-1598.
22. El Mahjouby, M., Taj, B. M., & El Fahssi, K. (2025). Forecasting trends in cryptocurrencies through the application of association rule mining techniques. International Journal of Computing and Digital Systems, 17(1), 1-14.
23. El Naqa, I., & Murphy, M. J. (2015). What is machine learning?. In Machine Learning in Radiation Oncology, Springer, Cham, 3-11.
24. Farell, R. (2015). An Analysis of the Cryptocurrency Industry. Wharton Research Scholars, 130.
25. Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. Artificial Intelligence Magazine, 17(3): 37-54.
26. Few, S. (2009). Now you see it: Simple visualization techniques for quantitative analysis. Analytics Press.
27. Fister Jr., I., Fister, I., Fister, D., Podgorelec, V., & Salcedo-Sanz, S. (2023). A comprehensive review of visualization methods for association rule mining: Taxonomy, challenges, open problems and future ideas. Information Visualization, 22(2), 125–151.
28. Freeman, L.C. (1979). Centrality in social networks conceptual clarification. Social Networks, 1(3), 215-239.
29. Fruchterman, T. M. J., & Reingold, E. M. (1991). Graph drawing by force‐directed placement. Software: Practice and Experience, 21(11), 1129-1164.
30. García, S., Luengo, J., & Herrera, F. (2015). Data preprocessing in data mining. Springer.
31. Han, J., & Kamber, M. (2011). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.
32. Han, J., Pei, J., & Kamber, M. (2006). Data mining, Southeast Asia Edition, Elsevier Science & Technology, ProQuest Ebook Central.
33. Hahsler, M., & Chelluboina, S. (2011). Visualizing association rules in hierarchical groups (arulesViz vignette, Version 1.0). The Comprehensive R Archive Network (CRAN). https://cran.r-project.org/web/packages/arulesViz/vignettes/arulesViz.pdf
34. Heer, J., & Bostock, M. (2010). Declarative language design for interactive visualization. In Proceedings of the 23rd Annual ACM Symposium on User Interface Software and Technology, ACM, 113-122.
35. Hitam, N., & Ismail, A. (2018). Comparative performance of machine learning algorithms forcryptocurrency forecasting. Indonesian Journal of Electrical Engineering and Computer Science, 11(3), 1121-1128.
36. https://99bitcoins.com/tr/stablecoin/?utm_source=chatgpt.com E.T.: 24.02.2025
37. https://coinmarketcap.com/tr/crypto-heatmap/ E.T.: 23.02.2025
38. İnik, Ö. & Ülker, E. (2017). Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
39. Ji, Q., Bouri, E., Lau, C. K. M., & Lucey, B. (2019). Dynamic connectedness among cryptocurrencies and traditional financial assets: Evidence from spillover index. International Review of Financial Analysis, 63, 257-272.
40. Karaağaç, G.A., & Altınırmak, S. (2018). En yüksek piyasa değerine sahip on kripto paranın birbirleriyle etkileşimi. Muhasebe ve Finansman Dergisi, 79, 123-138.
41. Keim, D.A. (2002). Information visualization and visual data mining. IEEE Transactions on Visualization and Computer Graphics, 8(1), 1-8.
42. Kocabıyık, T., Özsoy, M., Karaatlı M., & Özer, M.F. (2024). Cryptocurrency Portfolio Management:A Clustering-Based Association Approach. Ekonomika, 103(1), 25-43.
43. Konuşkan, A., Teker, T., Ömürbek, V. & Bekci, İ. (2019). Kripto paraların fiyatları arasındaki ilişkinin tespitine yönelik bir araştırma. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(2), 311-318.
44. Köse, İ. (2018). Veri Madenciliği Teori Uygulama ve Felsefesi. İstanbul: Papatya Bilim.
45. Li, X., Li, S., & Xu, C. (2020). Price clustering in Bitcoin market-An extension. Finance Research Letters, 32, 1-9.
46. Liao, S-H., Ho, H-H., Lin, H-W. (2008). Mining stock category association and cluster on Taiwan Stock Market. Expert Systems with Applications, 35(1-2), 19-29.
47. Mantegna, R. N. (1999). Hierarchical structure in financial markets. The European Physical Journal B, 11(1), 193-197.
48. Munzner, T. (2014). Visualization analysis and design. CRC Press.
49. Özgün, H.S. (2024). Kripto para kavramına farklı bakışlar ve incelemeler. Uygulamalı Bilimler Fakültesi Dergisi, 6(1), 1-19.
50. Patil, A.P., Akarsh, T.S., & Parkavi, A. (2018). A study of opinion mining and data mining techniques to analyse the cryptocurrency market. In 2018 3rd International Conference on Computational Systems and Information Technology for Sustainable Solutions (CSITSS), 198-203.
51. Pokorny, J.J., Norman, A., Zanesco, A.P., Bauer-Wu, S., Sahdra, B.K., & Saron, C.D. (2018). Network analysis for the visualization and analysis of qualitative data. Psychological Methods, Advance Online Publication, 1, 169-183.
52. Quiroga-Garcia, R., Pariente-Martinez, N., & Arenas-Parra, M. (2022). Evidence for round number effects in cryptocurrencies prices. Finance Research Letters, 47, 1-9.
53. Ranjan, S., & Khalid, M. (2023). Cryptocurrency portfolio management: A clustering-based association approach. Ekonomika, 102(2), 45-62.
54. Rashidi, H.H., Tran, N.K., Betts, E.V., Howell, L.P., & Green, R. (2019). Artificial intelligence and machine learning in pathology: the present landscape of supervised methods. Academic pathology, 6, 1-17.
55. Roiger, R.J. (2016). Data mining: a tutorial-based primer, Second Edition. CRC Press LLC. ProQuest Ebook Central.
56. Sabah, L., & Bayraktar, H. (2020). Veri madenciliği birliktelik kuralları yöntemi kullanarak binaların risk durumlarının belirlenmesi. GJES, 6(1), 70-78.
57. Sensoy, A., Silva, T. C., Corbet, S., & Tabak, B. M. (2021). High-frequency return and volatility spillovers among cryptocurrencies. Applied Economics, 53(37), 4310-4328.
58. Sert, M.F., Kutlu, M., & Kartal, B. (2020). Kripto paraların birliktelik kuralları ile analizi: bitcoin üzerine bir araştırma. Conference: 20. International Symposium on Econometrics, Operational Research, and Statistics, 1-4.
59. Song, J. Y., Chang, W., & Song, J. W. (2019). Cluster analysis on the structure of the cryptocurrency market via Bitcoin–Ethereum filtering. Physica A: Statistical Mechanics and Its Applications, 527(29), 111-116.
60. Srivastava, T., Mullick, I., & Bedi, J. (2024). Association-mining-based deep learning approach for financial time-series forecasting. Applied Soft Computing, 155, 1-12.
61. Tan, P.-N., Steinbach, M., & Kumar, V. (2004). Introduction to data mining. Addison Wesley.
62. Teker, T., & Konuşkan, A. (2022). Fan token fiyatlarında birliktelik etkisi. Uluslararası İşletme, Ekonomi ve Yönetim Perspektifleri Dergisi, 6(2), 359-376.
63. Tosunoğlu, E., Yılmaz, R., Özeren, E., & Sağlam, Z. (2021). Eğitimde makine öğrenmesi: araştırmalardaki güncel eğilimler üzerine inceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178-199.
64. Ware, C. (2004). Information visualization: Perception for design. Morgan Kaufmann.
65. Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications. Cambridge University Press.
66. Xu, Z-M., & Zhang, R. (2009). Financial revenue analysis based on association rules mining. 2009 Asia-Pacific Conference on Computational Intelligence and Industrial Applications (PACIIA), Wuhan, China, 220-223.
67. Yüksel, T., & Zontul, M. (2019). Dağıtık sistemlerde birliktelik kuralları ile sepet analizi. AURUM Mühendislik Sistemleri ve Mimarlık Dergisi, 3(1), 65-77.
68. Zięba, D., Kokoszczyński, R., & Śledziewska, K. (2019). Shock transmission in the cryptocurrency market. Is Bitcoin the most influential?. International Review of Financial Analysis, 64, 102-125.