Kripto Piyasalarında Genetik ve Makine Öğrenmesi Algoritmaları ile Performans Karşılaştırması

Öz

Araştırma alanında kullanılan analiz yöntemlerine yönelik istatistiksel metotların gelişmesi, analiz ve öngörü tekniklerinin çeşitlenmesine önemli bir katkıda bulunmuştur. Bu kapsamda, özellikle matematiksel ve istatistiksel metodolojiler kullanarak verilerden anlamlı çıkarımlar yapabilen ve bu çıkarımları kullanarak birtakım tahminlerde bulunan makine öğrenmesi, yapay zekâ alanında önemli bir gelişme kaydetmiştir. Makine öğrenmesi, bir veri setini modele dönüştüren çeşitli algoritmaları kapsar ve bu algoritmalar, analiz ve öngörü süreçlerinde temel bir disiplin olarak öne çıkmaktadır. Bu çalışma, kripto para piyasasında genetik algoritma ile optimize edilmiş MACD parametrelerini, makine öğrenmesi yöntemleri ve teknik analiz göstergeleri ile birleştirerek, 24 saat sürekli işlem gören kripto piyasasında yüksek doğrulukta alım ve satım sinyalleri üretmeyi amaçlamaktadır. Bu bağlamda farklı makine öğrenmesi algoritmalarının performansları karşılaştırılmış ve genetik algoritma ile optimize edilerek en uygun modele ulaşılmaya çalışılmıştır. Sonuç olarak, optimize edilmiş MACD parametreleri kullanılarak yapılan işlemlerin, optimize edilmemiş MACD parametreleriyle yapılanlardan daha iyi kârlılık sağladığı gözlemlenmiştir. Modelin, LTCUSDT çiftinde daha iyi performans sergilediği sonucuna varılmıştır. Özellikle derin öğrenme algoritmasının LTCUSDT paritesinde daha iyi kâr elde edebildiği ancak, modelin ADAUSDT çiftinde kâr elde edemediği görülmüştür. Bunun sebebi de kripto piyasasının volatilitesinin yüksek, istikrarsız ve güncel haberlere olumlu/olumsuz çok hızlı tepki vermesinden kaynaklanmaktadır. Buradan yola çıkarak geliştirilen modelin farklı kripto para çiftlerine farklı derecelerde uyduğu sonucuna varılmıştır.

Anahtar Kelimeler

• Makine Öğrenmesi Algoritmaları
• Genetik Algoritma
• Kripto Para
• Derin Öğrenme
• Karar Ağacı

Performance Comparison of Genetic and Machine Learning Algorithms in Crypto Markets

Öz

The evolution of statistical methodologies for research analysis has notably contributed to the diversification of analytical and predictive techniques. Notably, machine learning, which leverages mathematical and statistical approaches to draw meaningful inferences from data, has made remarkable strides in artificial intelligence,generating predictions based on these inferences.Encompassing a spectrum of algorithms that transform datasets into models, machine learning emerges as a cornerstone in analytical and predictive processes. Herein, weproduce high-accuracy buying and selling signals in the cryptomarket—a market that continuously operates 24 h a day. This is achieved by integrating MACD (Moving Average Convergence Divergence) parameters optimized with a genetic algorithm specific tothe cryptocurrency market, machinelearning methods, and technical analysis indicators. Contextually, we compared the performances of different machine learning algorithms. Using genetic algorithm optimization, we identified the most suitable model.Results underscore the enhanced profitability of trades executed with optimized MACD parameterscompared with those executed using nonoptimizedMACD parameters. Themodel performed optimallyon the LTCUSDT pair. Notably,the deep learning algorithm exhibitedbetter profitability in the LTCUSDT pair.However, its effectiveness in generating profits in the ADAUSDT pair was somewhere limited;this can be attributed to the high volatility, instability, and rapid response of the cryptomarket to current news, whether positive or negative. Therefore,the developed model fits different cryptocurrency pairs to varying degrees.

Anahtar Kelimeler

• machine learning algorithms
• genetic algorithm
• cryptocurrency
• deep learning
• decision tree

Kaynakça

1. Aguirre, A. A. A., Medina, R. A. R., & Mendez, N. D. D. (2020). Machine learning applied in the stock market through the Moving Average Convergence Divergence (MACD) indicator. Investment Management & Financial Innovations, 17(4), 44. google scholar
2. Chatterjee, S., Sarkar, S., Dey, N., Ashour, A. S., & Sen, S. (2018). Hybrid non-dominated sorting genetic algorithm: II-neural network approach. In Advancements in Applied Metaheuristic Computing (pp. 264-286). IGI Global. google scholar
3. Choudhry, R., & Garg, K. (2008). A hybrid machine learning system for stock market forecasting. International Journal of Computer and Information Engineering, 2(3), 689-692. google scholar
4. Çalış, A., Kayapınar, S., & Çetinyokuş, T. (2014). Veri Madenciliğinde Karar Ağaci Algoritmalari ile Bilgisayar ve İnternet Güvenliği Üzerine Bir Uygulama. Endüstri Mühendisliği, 25(3), 2-19. google scholar
5. Demirel, A. C., & Hazar, A. (2021). Kripto para değerlerine dayanılarak BİST 100 endeks hareketi tahmininde destek vektör makineleri uygulaması. Başkent Üniversitesi Ticari Bilimler Fakültesi Dergisi, 5(1), 27-35. google scholar
6. Gupta, B., Rawat, A., Jain, A., Arora, A. ve Dhami, N. (2017). Veri madenciliğinde sınıflandırmaya yönelik çeşitli karar ağacı algoritmalarının analizi. Uluslararası Bilgisayar Uygulamaları Dergisi, 163 (8), 15-19. google scholar
7. Holland, J. H. (1992). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. google scholar
8. Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319. google scholar

9. Karadağ, K. (2022). Hibrit derin öğrenme modelleri ile hisse senedi fiyat tahmini (Master’s thesis, Trakya Üniversitesi Sosyal Bilimler Enstitüsü). google scholar
10. Kim, H., & Shin, K. (2007). A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets. Applied Soft Computing, 7(2), 569-576. doi:10.1016/j.asoc.2006.03.004 google scholar
11. Kumar, M., Husain, M., Upreti, N., & Gupta, D. Genetic algorithm: review and application. Available at SSRN 3529843 (2010). google scholar
12. Latha, R. S., Sreekanth, G. R., Suganthe, R. C., Geetha, M., Selvaraj, R. E., Balaji, S., ... & Ponnusamy, P. P. (2022, January). Stock Movement Prediction using KNN Machine Learning Algorithm. In 2022 International Conference on Computer Communication and Informatics (ICCCI) (pp. 1-5). IEEE. google scholar
13. Odabaşı, M. B., & Toklu, M. C. Yapay Sinir Ağları ve Derin Öğrenme Algoritmalarının Kripto Para Fiyat Tahmininde Karşılaştırmalı Analizi. Journal of Intelligent Systems: Theory and Applications, 6(2), 96-107. google scholar
14. Olorunnimbe, K., & Viktor, H. (2023) Deep Learning in The Stock Market—A Systematic Survey of Practice, Backtesting, and Applications. Artif Intell Rev, 56, 2057-2109. https://doi.org/10.1007/s10462-022-10226-0 google scholar
15. Pabuçcu, H., Ongan, S., & Ongan, A. (2023). Forecasting the movements of Bitcoin prices: an application of machine learning algorithms. arXiv preprint arXiv:2303.04642. google scholar
16. Pai, P. F., &Wei,W. R. (2007, December). Predicting movement directions of stock index futures by support vector models with data preprocessing. In 2007 IEEE International Conference on Industrial Engineering and Engineering Management (pp. 169-173). IEEE. google scholar
17. Sel, A. (2020). Pandemi sürecinde altın fiyatları ile kripto para ilişkisinin makine öğrenme metotları ile incelenmesi. İstatistik ve Uygulamalı Bilimler Dergisi, 1(2), 85-98. google scholar
18. Singh, S., & Gupta, P. (2014). Comparative study ID3, cart and C4. 5 decision tree algorithm: a survey. International Journal of Advanced Information Science and Technology (UAIST), 27(27), 97-103. google scholar
19. Şenol, D., & Denizhan, B. (2023). Kripto Para Değerinin Yapay Sinir Ağları ile Tahmini. Endüstri Mühendisliği, 34(1), 42-69. google scholar
20. Yavuz, S., & Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağin performansina etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (40), 167-187. google scholar
21. Yusoff, Y., Ngadiman, M. S., & Zain, A. M. (2011). Overview of NSGA-II for optimizing machining process parameters. Procedia Engineering, 15, 3978-3983. google scholar