Finansal varlıkların verileri kullanılarak Bitcoin fiyatlarının makine öğrenmesi teknikleriyle tahmini ve modellerin performanslarının karşılaştırılması

Abstract

Bu tez çalışmasının amacı, geleneksel finansal varlıkların verileri kullanılarak Bitcoin fiyatlarının tahmini amacıyla farklı derin öğrenme modelleri geliştirilmiş ve bu modellerin performansları karşılaştırmalı olarak incelenmiştir. Bitcoin gibi yüksek dalgalanmalara sahip kripto paraların gelecekteki fiyatlarının doğru şekilde tahmin edilmesi, yatırım kararları açısından büyük önem taşımaktadır. Bu doğrultuda çalışmada Nasdaq100 Endeksi, ABD Dolar Endeksi, Euro Stoxx 50 Endeksi ve S&P 500 Endeksi girdi olarak kullanılmıştır ve bu verilerin Bitcoin fiyatları üzerindeki etkisi değerlendirilmiştir. Modelleme sürecinde özellikle LSTM, RNN-LSTM, LSTM-CNN gibi hibrit derin öğrenme modelleri kullanılmış; farklı modellerin tahmin başarıları çeşitli metriklerle ölçülerek kıyaslanmıştır. Elde edilen sonuçlara göre, LSTM-CNN hibrit modeli, hem zaman bağımlılıklarını modelleme hem de örüntü veya desen çıkarımı açısından üstün bir performans sergilemiş ve diğer modelleri geride bırakmıştır. Bu çalışma, geleneksel finansal göstergelerin kripto para piyasalarındaki fiyat tahminlerinde etkin biçimde kullanılabileceğini ve derin öğrenme modellerinin bu tür karmaşık ilişkileri yakalamada başarılı olduğunu ortaya koymaktadır.

The aim of this thesis study is to develop different deep learning models for the purpose of predicting Bitcoin prices using data from traditional financial assets and to comparatively examine the performance of these models. Accurate forecasting of the future prices of cryptocurrencies such as Bitcoin, which are characterized by high volatility, holds great importance for investment decision- making. In this context, the Nasdaq-100 Index, the U.S. Dollar Index, the Euro Stoxx 50 Index, and the S&P 500 Index were used as input variables, and the impact of this data on Bitcoin prices was evaluated. In the modeling process, especially hybrid deep learning models such as LSTM, RNN-LSTM, and LSTM-CNN were employed; the prediction performances of the different models were measured using various metrics and compared. According to the results obtained, the LSTM-CNN hybrid model demonstrated superior performance both in modeling temporal dependencies and in pattern extraction, surpassing the other models. This study reveals that traditional financial indicators can be effectively used in price prediction in cryptocurrency markets, and that deep learning models are successful in capturing such complex relationships.