Comparative Analysis of Artificial Neural Networks and Deep Learning Algorithms for Crypto Price Forecast

Öz

Thanks to the opportunities provided by developing technology, there had an increase in the transactions carried out using the internet. This development also led to an increase in data. This situation created the need for new technology for businesses to store, share, control, and manage data securely. One of the current technologies that can be used in this context is the blockchain structure. The blockchain structure is a technology that can be used in many areas, and the most popular usage area today is cryptocurrencies. In this study, it is aimed to estimate Polkadot cryptocurrency, which is one of the essential sub-cryptocurrencies. In the study, the data between 20.08.2020 and 27.02.2023 are used. According to these data, it aimed to estimate the daily average Polkadot value as the output value. Clusters for input values are created in two different ways. In the first input values; number of Polkadot YouTube search, number of Polkadot Google search, and Polkadot volume are used. Unlike the first input values, Ethereum, the leader of the alt cryptocurrencies, is added in the second input value. In this study, which consists of two different input structures, to estimate the daily average values of the Polkadot currency, an estimation study is carried out using multi-layered sensors in artificial neural networks and a long-short-term memory structure, which is one of the deep learning methods. When the results are examined, it is determined that the values of 4 input sets in the obtained artificial neural networks gave better results with a correlation coefficient of 0.93.

Anahtar Kelimeler

• Artificial Neural Networks
• Deep Learning
• Back-propagation Algorithm
• Long Short-Term Memory
• Blockchain
• Polkadot
• Ethereum
• Prediction

Yapay Sinir Ağları ve Derin Öğrenme Algoritmalarının Kripto Para Fiyat Tahmininde Karşılaştırmalı Analizi

Öz

Gelişen teknolojinin sağladığı olanaklar sayesinde internet kullanımıyla gerçekleştirilen işlemlerde artış olmuş ve bu da verilerde artışa neden olmuştur. Bu durum işletmeler için verilerin güvenli bir şekilde saklanması, paylaşılması, kontrolünün sağlaması ve yönetilmesine yönelik yeni teknoloji ihtiyacı doğurmuştur. Bu kapsamda faydalanılabilecek güncel teknolojilerden birisi de blok zinciri (Blockchain) yapısıdır. Blok zinciri yapısı birçok alanda kullanılabilecek bir teknoloji olup günümüzde en popüler kullanım alanı kripto paralar üzerinde olmaktadır. Bu çalışmada önemli alt kripto para birimlerinden biri olan Polkadot kripto para birimi için tahminleme işlemi yapılması amaçlanmıştır. Yapılan çalışmada 20.08.2020 ve 27.02.2023 tarihleri arasındaki veriler kullanılmış olup, bu verilere göre çıktı değer olarak günlük ortalama Polkadot değerinin tahmin edilmesi amaçlanmıştır. Girdi değerleri için kümeler iki farklı şekilde oluşturulmuştur. İlk girdi değerlerinde; Polkadot YouTube arama sayısı, Polkadot Google arama sayısı ve Polkadot hacmi kullanılmıştır. İkinci girdi değerlerinde ise ilk girdi değerlerinden farklı olarak alt kripto paraların lideri Ethereum eklenmiştir. İki farklı girdi yapısından oluşan bu çalışmada Polkadot para birimi günlük ortalama değerlerinin tahminlenebilmesi için yapay sinir ağlarında çok katmanlı algılayıcılar ile derin öğrenme yöntemlerinden olan uzun kısa süreli bellek yapısı kullanılarak tahminleme çalışması yapılmıştır. Sonuçlar incelendiğinde elde edilen yapay sinir ağlarında 4 girdi kümesinden oluşan değerlerin 0,93 korelasyon katsayısı ile daha iyi sonuç verdiği belirlenmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağları
• Derin Öğrenme
• Geri Yayılım Algoritması
• Uzun Kısa Süreli Bellek
• Blok zinciri
• Polkadot
• Ethereum
• Tahminleme

Destekleyen Kurum

Bu çalışma, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim dalında devam eden, 2. Yazarın danışmanlığında 1. Yazara ait devam eden yüksek lisans tezinden üretilmiştir.

Kaynakça

1. Aras, S., 2019. Kripto para fiyatlarının klasik ve yapay sinir ağı modelleri ile tahmini. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(20), 608-640.
2. Atlan, F., Pençe, İ., Çeşmeci, M., 2020. Kripto paralardan Bitcoin, Ethereum ve Ripple için yapay zekâ ile online fiyat tahmin modeli. 28th Signal Processing and Communications Applications Conference (SIU), 2165- 0608.
3. Avşar, İ.İ., 2020. Kripto paralar ve uluslararası ticaret üzerine bir araştırma: Bibliyometrik, LSTM ve kümeleme analizi. Doktora Tezi, Hasan Kalyoncu Üniversite ve Gaziantep Üniversitesi.
4. Akay, M.K., Canik, F., Yeşilyurt, C., ve Günkut, M.Ş., 2021. Yapay zeka teknikleri ile kripto para değeri tahmini, Ekonomi Bilimleri Dergisi, 14(1), 72-101.
5. Baygıner, O., 2022. Kripto para piyasaları ve Türkiye'de insanların piyasalara yaklaşımı. Yüksek Lisans Tezi, Üsküdar Üniversitesi.
6. Çılgın, C., Ünal, C., Alıcı, S., Akkol E., ve Gökşen, Y., 2020. Metin sınıflandırmada yapay sinir ağları ile Bitcoin kodları ve sosyal medyadaki beklentilerin analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 4(1), 106-126.
7. Deniz, E.A., 2020. Finansal piyasalarda kripto para uygulamaları: Kripto para fiyatlarını etkileyen faktörler. Yüksek Lisans Tezi, Işık Üniversitesi.
8. Demirci, E., 2021. Kripto Para Fiyatlarının LSTM ve GRU modelleri ile tahmini. Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi.

9. Evlimoğlu, U., Güder, M., 2021. Tarihteki ekonomik balonlar ışığında kripto paralara genel bir bakış. Abant Sosyal Bilimler Dergisi, 21(3), 469-496.
10. Hayradi, D., Hâkim, A., Atmaja, D., Yutia, S., 2022. Implementation of support vector regression for Polkadot cryptocurrency price prediction. Int. J. Inform. Visualization, 6(1-2), 201-207
11. Kalyoncu, Ş., 2020. Borsa analizi ve tahmini için derin öğrenme ağları. Yüksek Lisans Tezi, İstanbul Sabahattin Zaim Üniversitesi.
12. Karaatlı, M., Helvacıoğlu, Ö., Ömürberk, N., ve Tokgöz, G., 2012. Yapay sinir ağları yöntemi ile otomobil satış tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
13. Kartal, C., 2020. K-Star algoritması ile Bitcoin fiyatları modelleme. Business & Management Studies: An International Journal, 8 (1), 213–231.
14. Köksal, B., Erdem, G., Türkeli, C., Öztürk, Z.K., 2021. Twitter’da duygu analizi yöntemi kullanılarak Bitcoin değer tahminlemesi. Düzce Üniversitesi Bilim ve Teknoloji, 9(3), 280-297.
15. Nakamoto, S., 2008. Bitcoin: A peer-to-peer electronic cash system. Decentralized Business Review, 21260.
16. Pamuk, Ö.G., 2019. Cryptocurrency price prediction by using social media data. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi.
17. Sakız, B., Gencer, A. H., 2017. Yapay sinir ağları ile bitcoin fiyatını tahminleme. In International Conference on Eurasian Economies, 438-444.
18. Salman, M., 2020. Price prediction of different cryptocurrencies using technical trade indicators and machine learning. Yüksek Lisans Tezi, Altınbas Üniversitesi.
19. Sel, A., 2020. Pandemi sürecinde altın fiyatları ile Kripto para ilişkisinin makine öğrenme metotları ile incelenmesi. Journal of Statistics & Applied Science, 1(2), 85-98
20. Sel, A., Zengin, N., Yıldız, Z., 2020. Alternatif yatırım araçları ile Bitcoin fiyatları arasındaki ilişkinin yapay sinir ağları ile tahmini. Sivas Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 21(2), 157-169.
21. Şahin, E.E., 2018. Kripto para Bitcoin: ARIMA ve yapay sinir ağları ile fiyat tahmini. Fiscaoeconomia, 2(2), 74-92.
22. Tuncer, A., 2022. LSTM metodu kullanılarak rüzgar hızının tahmin edilmesi. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi.
23. Turan, S., 2019. Uzun kısa süreli hafıza ve geçitli yinelenen birim ile Borsa İstanbul 100 endeks değeri tahmini üzerine bir uygulama. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi.
24. Yavuz, S., Deveci, M., 2012. İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.
25. Yavuz, U., Özen, Ü., Taş, K., Çağlar, B., 2020. Yapay sinir ağları ile Blockchain verilerine dayı Bitcoin fiyat tahmini, Bilişim Sistemleri ve Yönetim Araştırmaları Dergisi, 2(1), 1-9.