BITCOIN PRICE PREDICTION WITH RANDOM FOREST REGRESSION ALGORITHM

Abstract

With the rapid developments in today's technologies, people can now perform their payment and shopping transactions through digital platforms. However, payment security problems in e-services have led people to seek alternative payment methods. Thanks to blockchain technology, cryptocurrencies that are not dependent on the central authority and can be paid in a completely secure way have been developed. Bitcoin is a digital currency that is not tied to a central authority or bank, introduced in Satoshi Nakamoto's 2008 article entitled "Bitcoin: The Peer-to-Peer Electronic Money System". Bitcoin, which attracts the attention of investors in the financial world, especially during the pandemic process, is traded in a market with high volatility. For this reason, it is of great importance for those who want to make forward price predictions. In this study, it is aimed to develop a price prediction method that will contribute positively to the profit share of Bitcoin investors. With Bitcoin, the data belongs to a time series, and Random Forest Regression, a model used to predict time series, was used. The model is trained on two years of Bitcoin data for the years 2020-2022. The statistical error measures of the model were calculated as MSE, R2, MAE and RMSE as 0.031%, 99.39%, 31.16% and 55.33%, respectively.

Keywords

• Machine Learning
• Finance
• Bitcoin
• Random Forest Regression
• Blockchain

RASTGELE ORMAN REGRESYON ALGORİTMASI İLE BİTCOİN FİYAT TAHMİNİ

Abstract

Günümüz teknolojilerindeki hızlı gelişmeler ile insanlar artık ödeme ve alışveriş işlemlerini dijital platformlar üzerinden gerçekleştirebilmektedir. Ancak, e-hizmetlerdeki ödeme güvenliği sorunları, insanları alternatif ödeme yöntemleri arayışına yönlendirdi. Blokzincir teknolojisi sayesinde, merkezi otoriteye bağlı olmayan ve tamamen güvenli bir şekilde ödeme yapılabilen kripto paralar geliştirildi. Bitcoin, Satoshi Nakamoto'nun 2008 yılında yayınladığı "Bitcoin: Eşler Arası Elektronik Para Sistemi" adlı makalesiyle tanıtılan, merkezi bir otoriteye veya bankaya bağlı olmayan dijital bir para birimidir. Özellikle pandemi sürecinde finans dünyasında yatırımcıların dikkatini çeken Bitcoin, yüksek volatiliteye sahip bir piyasada işlem görmektedir. Bu nedenle, ileriye yönelik fiyat tahminleri yapmak isteyenler için büyük önem taşımaktadır. Bu çalışmada Bitcoin yatırımcılarının kâr payına olumlu bir katkı sağlayacak fiyat tahmini yöntemi geliştirilmek istenmiştir. Bitcoin’e sahip veriler bir zaman serisine ait olması ve zaman serilerinin tahminlemesinde kullanılan bir model olan Random Forest Regresyon kullanılmıştır. Model 2020-2022 yıllarına ait iki yıllık Bitcoin verilerine göre eğitilmiştir. Modele ait istatiksel hata metrikleri ise MSE, R2, MAE ve RMSE sırasıyla %0,031, %99,39, %31,16 ve %55,33 olarak hesaplanmıştır.

Keywords

• Makine öğrenmesi
• Finans
• Bitcoin
• Rastgele Orman Regresyon
• Blokzincir

References

1. [1] S. Nakamoto - Bitcoin’ i Tanıtan İlk Makale. “Bitcoin: A Peer-to-Peer Electronic Cash System”, 3 Ocak 2009, 28 Aralık 2022, https://bitcoin.org/bitcoin.pdf.
2. [2] BtcTurk Bilgi Platformu. “Bitcoin (BTC) Nedir?”, 1 Temmuz 2013, 31 Aralık 2022, https://www.btcturk.com/bilgi-platformu/bitcoin-btc-nedir/.
3. [3] Bitlo Rehber Portalı. “Bitcoin (BTC) Nedir?”, 31 Aralık 2022, https://www.bitlo.com/rehber/bitcoin-nedir.
4. [4] Khakikhouei, R. (2020). Makine Öğrenme Yöntemleriyle Bitcoin Fiyat Analizi (Yüksek Lisans Tezi, Fırat Üniversitesi, 2020), IV. Uluslararası Battalgazi Bilimsel Çalışmalar Kongresi Özet Kitabı, 25.
5. [5] Böhme, R., Christin, N., Edelmann, B., Moore T., (2015) Bitcoin: Economics, Technology and Governance. Journal of Economic Perspectives, 29(2), 213 – 238.
6. [6] Şengül, Z. (2022). Makine Öğrenmesi Algoritmalarını Kullanarak Bitcoin Fiyat Tahmini. Yayınlanmamış Yüksek Lisans Tezi, T.C. Trakya Üniversitesi Sosyal Bilimler Enstitüsü, Edirne.
7. [7] Yavuz, U., Özen, Ü., Taş, K., Çağlar, B. (2020) Yapay Sinir Ağları ile Blockchain Verilerine Dayalı Bitcoin Fiyat Tahmini. Bilişim Sistemleri ve Yönetim Araştırmaları Dergisi, 2 (1), 1-9.
8. [8] Köksal, B., Erdem, G., Türkeli, C., Öztürk, Z., K. (2021) Twitter’da Duygu Analizi Yöntemi Kullanılarak Bitcoin Değer Tahminlemesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9 (2021) 280-297.

9. [9] Greaves, A., AU, B. (2015). Using the Bitcoin Transaction Graph to Predict. CS224W: Social and Information Network Analysis, 1-8.
10. [10] Evci, S. (2020). Bitcoin Piyasasında Haftanın Günü Anamolisi. Alanya Akademik Bakış, 4(1), 53-61.
11. [11] Demir, A., Akılotu, B., N., Kadiroğlu, Z., Şengür, A. (2019) Bitcoin Price Prediction Using Machine Learning Methods. 2019 1st International Informatics and Software Engineering Conference (UBMYK), 1-4.
12. [12] Phaladisailoed, T., Numnonda, T. (2018). Machine Learning Models Comparison for Bitcoin Price Prediction. 2018 10th International Conference on Information Technology and Electrical Engineering (ICITEE), 506-511.
13. [13] Auti, A., Patil, D., Zagade, O., Bhosale, P. (2022). Bitcoin Price Prediction Using SVM. International Journal of Engineering Applied Sciences and Technology, 226 – 229.
14. [14] Roy, S., Nanjiba, S., Chakrabarty, A. (2018). Bitcoin Price Forecasting Using Time Series Analysis. 2018 21st International Conference of Computer and Information Technology (ICCIT), 1 – 5.
15. [15] Businessyield Finans ve Muhasebe Sayfası. “Yahoo Finance: Haberler, Net değer, nasıl başladıkları ve API Kılavuzu”, 5 Aralık 2022. Ocak 1, 2023. https://businessyield.com/tr/finance-accounting/yahoo-finance/#:~:text=Yahoo%20Finance%20API%2C%20piyasa%20%C3%B6zetleri,g%C3%BCvenilir%20bir%20borsa%20verileri%20kayna%C4%9F%C4%B1d%C4%B1r.
16. [16] Yahoo Finans Günlük BTC Fiyat Listesi. “Bitcoin USD”, 31 Aralık 2022. 31 Aralık 2022. https://finance.yahoo.com/quote/BTC-USD?p=BTC-USD.
17. [17] Günel, A. (2003). Regresyon Denkleminin Başarısını Ölçmede Kullanılan Belirleme Katsayısı ve Kritiği. Doğuş Üniversitesi Dergisi, 133-140.
18. [18] BitDegree Eğitici Yazılar Portalı. “Python Kütüphaneleri: Hangisi Ne İşe Yardımcı Olur?”, 07 Aralık 2022. 1 Ocak 2023. https://tr.bitdegree.org/tutorial/python-kutuphaneleri/#heading-13.
19. [19] Demirezen, S., Çetin, M. (2021). Rassal Orman Regresyonu ve Destek Vektör Regresyonu ile Piyasa Takas Fiyatının Tahmini. Nicel Bilimler Dergisi, 3(1), 1 - 15.
20. [20] Devhunter Kişisel Bloğu. “Rastgele Orman (Random Forest) Algoritması”, 20 Eylül 2018. 1 Ocak 2023. https://devhunteryz.wordpress.com/2018/09/20/rastgele-ormanrandom-forest-algoritmasi/comment-page-1/.
21. [21] Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
22. [22] Medium Buse Köseoğlu Bloğu. “Model Performansını Değerlendirmek: Regresyon.”, 11 Şubat 2011. 1 Ocak 2023. https://medium.com/yaz%C4%B1l%C4%B1m-ve-bili%C5%9Fim-kul%C3%BCb%C3%BC/model-performans%C4%B1n%C4%B1-de%C4%9Ferlendirmek-regresyon-48b4afec8664.
23. [23] Nomidl Machine Learning. “Random Forest algorithm for Machine Learning”, 25 Eylül 2022. 1 Ocak 2023. https://www.nomidl.com/machine-learning/random-forest-algorithm-for-machine-learning/.
24. [24] Yaparimben Blog Portalı. “Blockchain İşletim Sistemi Nedir?”, 30 Ekim 2019. 31 Aralık 2022. https://www.yaparimben.com/blockchain-isletim-sistemi-nedir/.
25. [25] Gültepe, Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16), 8-15.
26. [26] Orte, F., Mira, J., Sanchez, M., J., Solana, P. (2022). A Random Forest-Based Model For Crypto Asset Forecasts İn Futures Markets With Out-Of-Sample Prediction. Research in International Business and Finance, Elsevier, vol. 64(C).
27. [27] Metin, S. (2021). Kripto Para Fiyatlarının Regresyon Analizi Yöntemleri ile Tahmini: Bitcoin, Etherum ve Ripple. 2. Uluslararası Sosyal Bilimler ve İnovasyon Kongresi, 591-606.
28. [28] Sarı, S. S. (2021). Amerikan 10 Yıllık Tahvil Faiz Oranlarına Dayanılarak BİST 100 Endeks Tahmininde Ağaç Tabanlı Regresyon Modelleri Uygulaması. Çukurova Üniversitesi İİBF Dergisi, 25(2), 225-238.
29. [29] Başer, B., Yangın, M., Sarıdaş, E., S. (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120.
30. [30] Kazan, S., Karakoca, H. (2019). Makine Öğrenmesi ile Ürün Kategorisi Sınıflandırma. Sakarya Unıversıty Journal Of Computer And Informatıon Scıences, 2(1), 18 – 27.
31. [31] Günek, B., Yurttakal, A., H. (2022). Bibliometric Analysis of Research Papers on Blockchain Technologies. IEEE Innovations in Intelligent Systems and Applications Conference, 1-5.