Tanrikulu, Hulusi Mehmet; Pabuccu, Hakan

Forecasting cryptocurrencies as a financial issue is crucial as it provides investors with possible financial benefits. A slight improvement in forecasting performance can lead to increased profitability; Therefore, obtaining a realistic forecast is very important for investors. Bitcoin, frequently mentioned in recent due to its volatility and chaotic behavior, has become an investment tool, especially during and after the COVID-19 pandemic. In this study, selected ML techniques were investigated for predicting cryptocurrency movements by using technical indicator-based data sets and measuring the applicability of the techniques to cryptocurrencies that do not have sufficient historical data. In order to measure the effect of data size, Bitcoin’s last 1 year and 7 years of data were used. Following the related literature, Google trends and the number of tweets were used as input features, in addition to the most commonly used twelve technical indicators. Random Forest, K-Nearest Neighbors, Extreme Gradient Boosting (XGBoost-XGB), Support Vector Machine (SVM), Naive Bayes (NB), Artificial Neural Networks (ANN), and Long-Short-Term Memory (LSTM) network were optimized for best results. Accuracy, F1, and area under the ROC curve values were used to compare the model performance. For continuous data, ANN and SVM performed the best with the highest accuracy and outperformed the other ML models for complete and reduced sets. LSTM reached the best accuracy for trend data, but SVM, NB, and XGB models showed similar performance. The research shows that some indicators significantly affect prediction performance, and the data discretization process also improved the model’s accuracy. While the number of samples affects the results of many ML models, correctly optimized and fine-tuned models may also give excellent results even with less data.

AtıfScopus1·OpenAlex2

İncele

Hulusi Mehmet Tanrıkulu

Kripto para terimi her ne kadar finans dünyasına geçtiğimiz on yıl içerisinde girmiş olsa da başlangıç döneminde var olan güven kaygıları yenmiş ve bir ticaret ve yatırım aracı olarak piyasalarda yerini almıştır. Kripto para birimlerinin internet kaynaklı bir değer olması, arzının sınırlı olması, bir merkeze bağlı olmaması ve 7/24 anında finansal işlemlerin yapılabilmesi kripto paraları cazip bir yatırım aracı haline getirmektedir. Günümüzde bilinen binin üzerinde kripto para birimi vardır. Bu kripto para birimlerinin ilki ve en yaygın kullanılanı olan Bitcoin'dir. Son günlerde fiyatlarındaki hareketlilikten dolayı medyada kendinden sıkça söz ettiren Bitcoin, sadece yatırım olmaktan çıkmış günlük ihtiyaçlarında karşılanabildiği genel bir değer haline gelmiştir. Bu çalışmada Blok Zincir, Kripto Para kavramlarına değinilerek, şimdiye kadar Bitcoin özelinde fiyat hareketlerinin tahminlerinde kullanılan makine öğrenme algoritmaları, tahmin için kullanılan analiz göstergeleri(indikatörler) ve geçmiş akademik çalışmalarda izlenen yöntemler ve verimlilik bulguları üzerine incelemeler yapılmıştır. Yapılan incelemeler sonunda; makine öğrenme yöntemlerinin çok veri ve az veri ile performansların kıyaslanabilmesi adına geçtiğimiz 7 yıllık ve 1 yıllık Bitcoin hareketleri üzerine analizler yapılmıştır. Teknik indikatörlerle beraber günlük Tweet sayıları ve Google Arama Trendleri verisinin dahil edildiği veri setleri 7 farklı makine öğrenme yöntemi ile fiyat yönünün tespiti üzerine performans analizi yapılmıştır. Son olarak eğitilen makine öğrenme yöntemlerinin tahmin performansları yeni bir veri seti üzerinde ölçülmüştür. Bu performans analizleri ile, henüz uzun vadeli verisi oluşmamış yeni kripto paraların fiyat yönü tahmininde kullanılabilecek makine öğrenme yöntemlerinin belirlenmesinde yol gösterici olması hedeflenmiştir.