KRİPTO PARA DEĞERİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ

Yıl 2023, Cilt: 34 Sayı: 1, 42 - 69, 27.04.2023

Dilara Şenol , Berrin Denizhan

https://doi.org/10.46465/endustrimuhendisligi.1117414

Cited By: 2

Öz

Teknolojinin gelişmesiyle birlikte kripto para borsaları insanların daha fazla gelir elde etmek amacıyla kullandığı borsalardan biri olmuştur. Borsalarda alım-satım işlemleri yapılırken teknik ve temel analiz yöntemleri kullanılmaktadır. Teknik analiz, geçmiş verilerden yola çıkarak gelecekteki fiyat hareketlerini tahmin etme işlemidir. Teknik analiz yapılırken çok büyük verilerle karşılaşılınca verilerin analizi zorlaşmakta ve teknik analiz sonucu elde edilecek verilerin hatalı olma ihtimali artmaktadır. Bu durum sonucunda büyük verileri doğru analiz edemeyen yatırımcıların büyük zararlara uğrama ihtimali artmaktadır. Kripto para tahmini hem yatırımcılara doğru karar almak için hem de bilimsel alanda uygulamalara açık olduğu için değerlidir. Bu sebeple bu çalışmada, kripto para hareketliliği en yüksek olan kripto paralar arasından 3 adet kripto para seçilerek fiyat tahmini çalışması yapılmıştır. Seçilen kripto paralar; Bitcoin, Ethereum ve Cardano’dur. Verilerin büyük olması sebebiyle ve karar etkenlerinin analizi açısından Yapay Sinir Ağları ve Regresyon Analizi yöntemleri ile bu kripto paraların açılış, kapanış, gün içindeki en küçük ve en büyük değerleri kullanılarak bir sonraki günün kapanış değeri tahmin edilmiştir. Sonrasında tahmini değerlerle gerçek değerler arasında karşılaştırma yapılmıştır. Çalışma sonucunda Yapay Sinir Ağları ile yapılan tahmin çalışmasının Regresyon Analizi ile yapılan tahmin çalışmasından daha başarılı performans sergilediği gözlemlenmiştir.

Anahtar Kelimeler

Yapay sinir ağları, Regresyon analizi, Zaman serisi analizi, Kripto para tahmini

Kaynakça

• Amjad, M., & Shah, D. (2017). Trading Bitcoin and Online Time Series Prediction. Proceedings of the Time Series Workshop.
• Arena, P., Fortuna, L., Muscato, G., & Xibilia, M. G. (1998). In Neural Networks in Multidimensional Domains:Fundamentals and New Trends in Modelling and Control (pp. 3-4). Springer.
• Asilkan, Ö., & Irmak, S. (2009). Kalite kontrol problemlerinin çözümünde yapay sinir ağlarının kullanımı. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 375-390.
• Buğan, M. F. (2021). Bitcoin ve Altcoin Kripto Para Piyasalarında Finansal Balonlar. Akademik Araştırmalar ve Çalışmalar Dergisi, 165-180.
• Catania, L., & Grassi, S. (2018). Predicting the Volatility of Cryptocurrency Time–Series. CAMP Working Paper Series.
• Çarkacıoğlu, A. (2016). Kripto-Para Bitcoin. Sermaye Piyasası Kurulu Araştırma Raporu.
• Çetinkaya, Ş. (2018). Kripto Paraların Gelişimi Ve Para Piyasalarındaki Yerinin Swot Analizi ile İncelenmesi. Uluslararası Ekonomi ve Siyaset Bilimleri Akademik Araştırmalar Dergisi, 11-21.
• Çuhadar, M., & Kayacan, C. (2005). Yapay sinir ağları kullanılarak konaklama işletmelerinde doluluk oranı tahmini: Türkiye’deki konaklama işletmeleri üzerine bir deneme. Anatolia: Turizm Araştırmaları Dergisi, 1-7.
• Efe, Ö., & Kaynak, O. (2006). Yapay sinir ağları ve uygulamaları. Boğaziçi Üniversitesi Yayınları, 1. baskı. Eğilmez, M. (2017). "Kendime Yazılar: Kripto Paralar, Bitcoin ve Blockchain".
• Fajria, A. I., & Mahananto, F. (2022). Hybrid lightning protocol: An approach for blockchain scalability. Procedia Computer Science , 437–444.
• Fyfe, C. (2000). Artificial Neural Networks and Information Theory. The University of Paisley, 39-40.
• Gencer‬, ‪. H. (2017). Yapay Sinir Ağları ile Bitcoin Fiyatını Tahminleme.‬‬‬‬‬‬‬
• Google Arama İstatistikleri (2022). Erişim adresi: http:/www.trends.google.com.tr
• Houben, R., & Snyers, A. (2018). Cryptocurrencies and Blockchain. Scientific and Quality of Life Policies , 103-107.
• Jang, H., & Lee, J. (2017). An Empirical Study on Modeling and Prediction of Bitcoin Prices With Bayesian Neural Networks Based on Blockchain Information. IEEE Access, 5427 - 5437.
• Karataş, E. (2018). Moodle Öğrenme Yönetim Sistemi için Ethereum Blok Zinciri Tabanlı Belge Doğrulama Akıllı Sözleşmesinin Geliştirilmesi. Bilişim Teknolojileri, 399-416.
• Kaya, İ., Oktay, S., & Engin, O. (2005). Kalite kontrol problemlerinin çözümünde yapay sinir ağlarının kullanımı. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 92-107.
• Lahmiri, S., & Bekiros, S. (2019). Cryptocurrency forecasting with deep learning chaotic neural networks. Chaos, Solitons & Fractals, 35-40.
• Mudassir, M., Bennbaia, S., Unal, D., & Hammoudeh, M. (2020). Time-series forecasting of Bitcoin prices using high-dimensional features: a machine learning approach. Neural Computing and Applications.
• Öztemel, E. (2012). Yapay Sinir Ağları. Papatya Yayınları.
• Seo, Y., & Hwang, C. (2018). Predicting Bitcoin Market Trend with Deep Learning Models. Quantitative Bio-Science, 65-71.
• Shah, D., & Zhang, K. (2014). Bayesian regression and Bitcoin.
• Siddique, N., & Adeli, H. (2016). Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. Wiley & Sons, 127-136.
• Sönmez, A. (2014). Sanal Para Bitcoin . The Turkish Online Journal of Design, Art and Communication, 4(3), 8.
• Şahin, O. N. (2018). TMS & TFRS Işığında Muhasebe, Vergi ve Denetim Açısından Bitcoin ve Diğer Kripto Para Birimleri. Muhasebe Bilim Dünyası , 898-923.
• Tolon, M., & Tosunoğlu, G. (2008). Tüketici tatmini verilerinin analizi: Yapay sinir ağları ve regresyon analizi karşılaştırılması. Gazi Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 248-259.
• Urgancı, K. (2012). İstatistik Bölümü Mezunlarının İstihdamında Etkili Faktörlerinin Lojistik Regresyon Analizi İle İncelenmesi. Afyon Kocatepe