Zaman serilerinde fraktal analiz yöntemiyle yapay sinir ağı tahmin modeli geliştirilmesi: Bitcoin uygulaması

Abstract

Bitcoin dünyanın ilk ve en yaygın kripto para birimidir. Merkeziyetsiz yapıda ve dijital bir değerdir. Sınırlı arzı vardır ve gün geçtikçe daha fazla yatırımcının dikkatini çekmektedir. Bitcoin’in volatilitesi yüksek olduğundan fiyat tahmin performansını artırmak amacıyla alternatif yöntemler geliştirilmektedir. Daha fazla veriyi elde edebilmek, araştırmacılar için avantajlı gibi görünse de, enformasyondan bilgiye ve karar almayı kapsayan süreç içerisinde zorluklar ortaya çıkarmaktadır. Fraktal analiz, son yıllarda finansal piyasalarda var olan varlıkların davranışını ve yapısını anlamak amacıyla kullanılan yöntemlerden biridir. Süreç içerisinde tahmin performansını yükselterek, daha doğru karar almak için, bu araştırmada fraktal analiz incelenmiş ve analize dahil edilmiştir. Veri yığınlarını yönetmek amacıyla tahminci özellikleri ve ekonometrik model varsayımlarına gerek duymadan alternatif olarak ortaya çıkan yapay sinir ağları başarılı tahmin sonuçları vermektedir. Yapay sinir ağları içerisinde uzun-kısa dönem hafızası (long-short term memory) olarak adlandırılan LSTM modeli tercih edilmiştir. LSTM modeli ve fraktal analiz kapsamında değerlendirilen Hurst üssü değerleri modele eklenerek, teknik göstergeli bir model oluşturulmuş ve sonuçlar fraktal değişken içermeyen LSTM modeli sonuçlarıyla karşılaştırılmıştır. 15 dakikalık ve 4 saatlik iki ayrı veri kümesi için yapılan analiz sonucunda, Hurst entegreli LSTM modellerinin hata payı azalarak (%0,69-%1,53) tahmin performansı artmıştır.Bitcoin is the world's first and most widely used cryptocurrency. It is decentralized and has digital value. It has a limited supply and is attracting an increasing number of investors every day. Due to Bitcoin's high volatility, alternative methods are being developed to improve price prediction performance. While obtaining more data may seem advantageous for researchers, it presents challenges in transforming information into knowledge and making informed decisions. Fractal analysis is one of the methods used in recent years to understand the behavior and structure of financial market assets. To improve prediction performance and make more accurate decisions, fractal analysis was examined and incorporated into this study. Artificial neural networks, which emerged as an alternative to traditional predictive models and econometric assumptions, provide successful prediction results for managing large datasets. The LSTM model, referred to as long-short-term memory within artificial neural networks, was preferred. Hurst exponent values evaluated within the scope of the LSTM model and fractal analysis were incorporated into the model, resulting in a technical indicator-based model. The results were then compared with those of the LSTM model without fractal variables. As a result of the analysis conducted on two separate datasets of 15 minutes and 4 hours, the error rate of the Hurst-integrated LSTM models decreased (0.69%-1.53%), and the prediction performance improved.