Prediction of Cryptocurrency Prices: Comparison of ARIMA-GARCH and LSTM Methods

Öz

Cryptocurrencies have become increasingly popular since their emergence in 2009. Particularly after the release of Bitcoin on January 3, 2009, the introduction of other cryptocurrencies gained momentum. Following this surge in popularity, the prediction of cryptocurrency returns has become a significant topic. The main objective of this study is to compare the forecast performances obtained using traditional time series methods, specifically ARIMA-GARCH, and the Long Short-Term Memory (LSTM) deep learning approach to predict returns for Bitcoin (BTC), Ethereum (ETH), and Binance (BNB) cryptocurrencies. In this context, the study aims to contribute novel insights to the existing literature. Daily data for each cryptocurrency from different time intervals were utilized, with the dataset being divided into 90% training and 10% testing data. The methods were compared using evaluation criteria such as RMSE and MSE. Overall, for the BTC series, the ARIMA-GARCH method demonstrated superior results in the training data, while the LSTM method proved to be more effective for the testing data. In the case of the BNB series, LSTM outperformed in both training and testing datasets. For the ETH series, the ARIMA-GARCH method yielded better results for both datasets. This study emphasizes that both methods can exhibit significant performance in predicting financial data.

Anahtar Kelimeler

• Deep Learning
• ARIMA-GARCH
• LSTM
• Cryptocurrency
• Fourier ADF

Kripto Para Fiyatlarının Tahmini: ARIMA-GARCH ve LSTM Yöntemlerinin Karşılaştırılması

Öz

Kripto para birimleri, 2009 yılında ortaya çıkmalarından bu yana oldukça popüler hale gelmiştir. Özellikle Bitcoin'in 3 Ocak 2009'da piyasaya sürülmesinden sonra, diğer kripto para birimlerinin piyasaya çıkışı hız kazanmıştır. Bu popülerlik artışının ardından, kripto para birimlerinin tahmini önemli bir konu haline gelmiştir. Bu çalışmanın ana amacı, Bitcoin (BTC), Ethereum (ETH) ve Binance (BNB) kripto para getirilerini öngörmek için geleneksel zaman serisi yöntemlerinden olan ARIMA-GARCH ile birlikte LSTM (Long Short-Term Memory) derin öğrenme yaklaşımını kullanarak elde edilen tahmin performanslarını karşılaştırmaktır. Bu çerçevede, çalışma literatüre yeni bir katkı sunmayı amaçlamaktadır. Her bir kripto para birimi için farklı zaman aralıklarında günlük veriler kullanılmış ve bu veriler %90 eğitim ve %10 test verisi olarak bölünmüştür. Çalışmada, yöntemler RMSE ve MSE değerlendirme kriterleri kullanılarak karşılaştırılmıştır. Genel olarak, BTC serisinde ARIMA-GARCH yöntemi eğitim verisinde daha iyi sonuçlar gösterirken, test verisi için LSTM yöntemi daha etkili olmuştur. BNB serisinde ise hem eğitim hem de test verisi için LSTM yöntemi daha üstün performans sergilemiştir. ETH serisinde ise her iki veri seti için ARIMA-GARCH yöntemi daha iyi sonuçlar ortaya koymaktadır. Bu çalışma, finansal veri tahmininde her iki yöntemin de önemli bir performans sergileyebildiğini vurgulamaktadır.

Anahtar Kelimeler

• Derin Öğrenme
• ARIMA-GARCH
• LSTM
• Kripto Para
• Fourier ADF

Kaynakça

1. Abar, H. (2021). BİST100 Endeksi için Fiyat Öngörüsü: ARIMA VE LSTM (Ed. Rençber, Ö. F.). Veri Madenciliğinde Kullanılan Regresyon Modelleri ve R ile Uygulamalı Örnekler içinde (s. 173-194). Ankara: Nobel.
2. Akay, M. K., Canik, F., Yeşilyurt, C., & Günkut, M. Ş. (2022). Yapay Zekâ Teknikleri ile Kripto Para Değeri Tahmini. Ekonomi Bilimleri Dergisi, 14(1), 72-101.
3. Aliyev, F., Eylasov, N., & Gasim, N. (2022). “Applying Deep Learning in Forecasting Stock Index: Evidence from RTS Index”. 2022 IEEE 16th International Conference on Application of Information and Communication Technologies (AICT), October 12- 14, 2022, Washington-USA.
4. Brockwell, P. J. & Davis, R. A. (2002). Introduction to Time Series and Forecasting, 2nd edition, New York: Springer-Verlag.
5. Demirci, E. & Karaatlı, M. (2023). Kripto Para Fiyatlarının LSTM ve GRU Modelleri ile Tahmini. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10 (1), 134-157.
6. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
7. Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, 1057-1072.
8. Duggan, W. & Adams, M. (2024). “January 2024 Crypto Market Forecast” https://www.forbes.com/advisor/investing/cryptocurrency/crypto-market-outlook- forecast/#:~:text=The%20total%20market%20capitalization%20of,%241.7%20trillion%20heading%20into%202024. (Erişim Tarihi: 30.01.2024).

9. Dupuis, D. & Gleason, K. (2020). Money Laundering With Cryptocurrency: Open Doors And The Regulatory Dialectic, Journal Of Financial Crime. https://www.emerald.com/insight/publication/issn/1359-0790. (Erişim Tarihi: 12.05.2023).
10. Enders, W., & Lee, J. (2012). A unit root test using a Fourier series to approximate smooth breaks. Oxford bulletin of Economics and Statistics, 74(4), 574-599.
11. Eylasov, N., Gasim, N., Aliyev, F., & Şahinler, A. N. (2023a). Impact of Renewable Energy Consumption on CO2 Emissions in Türkiye: Evidence from ARDL And Bayer-Hanck Cointegration Techniques. Green Economics, 1(2), 111-125.
12. Eylasov, N., Zortuk, M., & Svilokos, T. (2023b). Investigating The Environmental Kuznets Curve Hypothesis with Energy Consumption for Turkiye: Evidence from Fourier ADF and ARDL Approach. Journal of Modern Technology & Engineering, 8(2), 140-153.
13. Gasim, N., Şenyay, L. (2023). A Comparative Study on The Forecasting Performance of TimeVaryig Coefficient Models. Evidence from USD/TRY Exchange Rate. Journal of Modern Technology & Engineering, 8(2), 119-139.
14. Graves, A. (2013). Generating sequences with recurrent neural networks. arXiv preprint arXiv:1308.0850. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
15. Karcıoğlu, A. A., Tanışman, S., & Bulut, H. (2021). Türkiye'de COVID-19 Bulaşısının ARIMA Modeli ve LSTM Ağı Kullanılarak Zaman Serisi Tahmini. Avrupa Bilim ve Teknoloji Dergisi, (32), 288-297.
16. Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
17. Nakamoto, S. (2008). Bitcoin: A Peer to Peer Electronic Cash System. https://bitcoin.org/bitcoin.pdf. (Erişim Tarihi: 16.05.2023).
18. Odabaşı, M. B., & Toklu, M. C. (2023). Yapay Sinir Ağları ve Derin Öğrenme Algoritmalarının Kripto Para Fiyat Tahmininde Karşılaştırmalı Analizi. Journal of Intelligent Systems: Theory and Applications, 6(2), 96-107.
19. Olah, C. (2015). Understanding LSTM. http://colah.github.io/posts/2015-08-Understanding-LSTMs. (Erişim Tarihi: 12.05.2023).
20. Sevinç, A., & Kaya, B. (2021a). Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (28), 1222-1228.
21. Sevinç, A., & Kaya, B. (2021b). Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği. Computer Science, (Special), 217-225.
22. Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2018). “A comparison of ARIMA and LSTM in forecasting time series”. 2018 17th IEEE international conference on machine learning and applications (ICMLA), December 17- 19, 2018, Orlando-USA.
23. Şahin, E. E. & Özkan, O. (2018). Asimetrik Volatilitenin Tahmini: Kripto Para Bitcoin Uygulaması. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Dergisi, 3(2), 240-247.
24. Şahin, E. E. (2018). Kripto para Bitcoin: ARIMA ve yapay sinir ağları ile fiyat tahmini. Fiscaoeconomia, 2(2), 74-92.
25. Şahinler, A. N. (2022). Volatility Spillover Effects Between Green Bonds and Clean Energy Markets: A Time-Varying Granger Causality Perspective. Discussions Between Economic Agents: Global Problems (pp. 49-71). Cham: İksad Publishing House
26. Şahinler, A. N., Ozbugday, F. C., Basci, S., & Omay, T. (2024). Static and Dynamic Connectedness Between Green Bonds and Clean Energy Markets. In The ESG Framework and the Energy Industry: Demand and Supply, Market Policies and Value Creation (pp. 137-158). Cham: Springer International Publishing.
27. Şenol, D. & Denizhan, B. (2023). Kripto Para Değerinin Yapay Sinir Ağları ile Tahmini. Endüstri Mühendisliği, 34(1), 42-69.
28. Tanışman, S., Karcıoğlu, A. A., Uğur, A. & Bulut, H. (2021). LSTM Sinir Ağı ve ARIMA Zaman Serisi Modelleri Kullanılarak Bitcoin Fiyatının Tahminlenmesi ve Yöntemlerin Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (32), 514-520.
29. Tretina, W. & Adams, M. (2024). “Top 10 Cryptocurrencies of February 2024” https://www.forbes.com/advisor/investing/cryptocurrency/top-10-cryptocurrencies/. (Erişim Tarihi: 30.01.2024).
30. Üzer, B. (2017). Sanal Para Birimleri. Uzmanlık Yeterlik Tezi, Türkiye Cumhuriyet Merkez Bankası Ödeme Sistemleri Genel Müdürlüğü, Ankara.
31. Vigna P. ve Casey J. (2015). Kripto Para Çağı, 2. Baskı, Ankara: Buzdağı Yayın Evi.