Pandemi Sürecinde Altın Fiyatları ile Kripto Para İlişkisinin Makine Öğrenme Metotları ile İncelenmesi

Yıl 2020, Cilt: 1 Sayı: 2, 85 - 98, 31.12.2020

Ahmet Sel

Öz

Yatırımcılar için borsa endekslerinin tahmini endeksin etkilendiği çok fazla değişken olmasından dolayı zor olduğu kadar ihtiyaç duyulan bir konudur. Doğru tahminler yatırımcıların elde ettikleri faydayı en üst düzeye taşır. Pandemi sürecinde dalgalanmalar tüm piyasa ve yatırım araçlarında fazlasıyla gözlenmiştir. Bu çalışmada, pandemi sürecinde seçili kripto para türlerinin altın fiyatları üzerindeki etkisi incelenmiştir. Uygulamalar Python programlama dili kullanılarak yapılmıştır. Bağımsız değişkenler Bitcoin, EOS, Tether, TRON ve Ripple olmak üzere altın fiyatları üzerinde ilişkisi eğitim ve test kümeleri üzerinden makine öğrenmesi gerçekleştirilerek incelenmiştir. Makine öğrenme modellerinden çok değişkenli, karar ağacı, destek vektör makineleri ve rasgele orman regresyon modelleri bir arada kullanılmıştır. Sonuç olarak; en yüksek açıklama oranına (R2 =0,91) sahip olan destek vektör makineleri yardımıyla altın fiyatları üzerinde Bitcoin +0,755, EOS -0,596, Tether -0,122 ve Tron + 0,220 etkisi olduğu belirlenmiştir. Elde edilen sonuçlar piyasada oynaklığın fazla olduğu dönemlerde yatırımların yönlendirilmesinde karar vericilere yardımcı olacağı düşünülmektedir.

Anahtar Kelimeler

Altın Fiyatları, Kripto Para, Pandemi, Yapay Zeka, Makine Öğrenmesi

Kaynakça

• Aksoy, E., Teker, T., Mazak, M., & Kocabıyık, T. (2020). Kripto paralar ve fiyat ilişkileri üzerine bir analiz: Toda-Yamamoto nedensellik analizi ile bir inceleme. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (37), 110-129.
• Akpınar, H. (2014). Data: Veri madenciliği veri analizi. Papatya Yayıncılık Eğitim.
• Ateş, B. A. (2016). Kripto para birimleri, bitcoin ve muhasebesi. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7(1), 349-366.
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
• Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J. (1984). Classification and regression trees. Monterey, Calif., USA: Wadsworth.
• Cingoz, F., & Kendirli, S. (2019). Altın fiyatları, döviz kuru ve borsa istanbul arasındaki ilişki. Finans Ekonomi ve Sosyal Araştırmalar Dergisi (FESA), 4(4), 545-554.
• Cosgun, E., & Karaağaoğlu, E. (2011). Veri madenciliği yöntemleriyle mikrodizilim gen ifade analizi. Hacettepe Tıp Dergisi, 42, 180-189.
• Elmas, B., & Polat, M. (2014). Altın fiyatlarını etkileyen talep yönlü faktörlerin tespiti: 1988-2013 dönemi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 15(1), 171-187.
• García-Laencina, P. J., Sancho-Gómez, J. L., & Figueiras-Vidal, A. R. (2010). Pattern classification with missing data: a review. Neural Computing and Applications, 19(2), 263-282.
• Gehrke J. (2003). “Decision Trees”, The Handbook of Data Mining, Editör: Nong Ye, Lawrence Erlbaum Associates Publishers, London, 149-175.Gül Y. (2020). Kripto paralar ve portföy çeşitlendirmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (65), 125-141.
• Güleç, Ö. F. (2018). Bitcoin ile finansal göstergeler arasındaki ilişkinin incelenmesi. Kırklareli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(2), 18-37.
• Gülhan, Ü. (2020). Kovid-19 pandemisinin altın fiyatlarına etkisi: ardl analizi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(3), 1111-1125.
• Gültekin, Ö. E., & Hayat, E. A. (2016). Altin fiyatini etkileyen faktörlerin var modeli ile analizi: 2005-2015 dönemi/Analysis of factors affecting the gold prices through var model: 2005-2015 period. Ege Akademik Bakis, 16(4), 611.
• Karasu, S., Altan, A., Saraç, Z., & Hacioğlu, R. (2018, May). Prediction of Bitcoin prices with machine learning methods using time series data. In 2018 26th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
• Klein, T., Thu, H. P., & Walther, T. (2018). Bitcoin is not the new gold–a comparison of volatility, correlation, and portfolio performance. International Review of Financial Analysis, 59, 105-116.
• Kocatepe, C. İ., & Yıldız, O. (2016). Ekonomik endeksler kullanılarak Türkiye’deki altın fiyatındaki değişim yönünün yapay sinir ağları ile tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4(3).
• Kothari, R., & Dong, M. (2001). Decision trees for classification: A review and some new results. In Pattern recognition: from classical to modern approaches (pp. 169-184). Maese, V. A., Avery, A. W., Naftalis, B. A., Wink, S. P., & Valdez, Y. D. (2016). Cryptocurrency: A primer. Banking LJ, 133, 468.
• Maimon O., Rokach L. (2010). “Classification Trees”. Data Mining and Knowledge Discovery Handbook, Editör: O., Maimon, L. Rokach, Springer, New York, A.B.D., 149-175. Nakamoto, S. (2019). Bitcoin: A peer-to-peer electronic cash system.
• Nebil, F. S. (2018). Bitcoin ve kripto paralar. Pusula Yayıncılık, İstanbul.
• Okuyan, H. A., & Deniz, A. G. D. (2019). Kripto paraların geleneksel finansal varlıklarla ilişkisi. Scientific Committee, 108. II. International Conference on Empirical Economics and Social Sciences (ICEESS’ 19) June 20-21-22, / Bandirma – Turkey
• Panigrahi, S. S., & Mantri, J. K. (2015, October). Epsilon-SVR and decision tree for stock market forecasting. In 2015 International Conference on Green Computing and Internet of Things (ICGCIoT) (pp. 761-766). IEEE.
• Şahinler, S. (2000). En küçük kareler yöntemi ile doğrusal regresyon modeli oluşturmanın temel prensipleri. Mustafa Kemal Üniversitesi Ziraat Fakültesi Dergisi, 5(1-2), 57-73.
• Lin, C. F., & Wang, S. D. (2002). Fuzzy support vector machines. IEEE transactions on neural networks, 13(2), 464-471.
• Yıldırım, H. (2018). Günlük bitcoin ile altın fiyatları arasındaki ilişkinin test edilmesi: 2012-2013 yılları arası johansen eşbütünleşme testi. Itobiad: Journal of the Human & Social Science Researches, 7(4).
• Yu, P. S., Chen, S. T., & Chang, I. F. (2006). Support vector regression for real-time flood stage forecasting. Journal of Hydrology, 328(3-4), 704-716.