Makine öğrenmesi ile Bitcoin fiyat tahmini

Bitcoin, ilk kripto para olması sebebi ile dünya çapında en çok bilinen kripto para birimidir. %39'nu Bitcoin'nin oluşturduğu kripto para piyasasının yaklaşık değeri 807 milyar dolardır (Aralık 2022). Bitcoin fiyatının aşırı oynaklığından dolayı fiyatını tahmin etmenin zorluğunun sonucu olarak, önemli bir araştırma konusu haline gelmiş ve literatür de bu konuda birçok çalışma bulunmaktadır. Yatırımcılar için ise bu yüksek oynaklık yüksek karlar ve riskler demektir. Bu tez de, makine öğrenmesi yöntemleri, farklı veri setleri, ve optimizasyon teknikleri kullanılarak gerçek fiyata yakın tahmin sonuçları elde etme ve yatırımcılar için riskleri azaltmak hedeflenmiştir. Kullanılan yöntemler; Çok Katmanlı Algılayıcı (MLP), Destek Vektör Makineleri (SVM), Genelleştirilmiş Regresyon Sinir Ağı (GRNN), Tekrarlayan Sinir Ağı (RNN), Uzun-Kısa Süreli Bellek (LSTM), Geçitli Tekrarlayan Birim (GRU) ve Konvolüsyonel Sinir Ağı (CNN). Altın, ham petrol, doğal gaz, Ethereum ve dolar-euro parite veri setlerinin Bitcoin fiyatı ile kombinasyonlarının makine öğrenmesi modellerinin her biri ile yapılan deneyleri içermektedir. Bayes optimizasyonu (BO), rastgele arama, ızgara arama ve Hparam parametresi gibi hiper parametre optimizasyon yöntemleri incelenmiştir. BO diğer optimizasyon yöntemlerinden daha iyi sonuçlar elde etmiştir. Bu tezde, Bitcoin fiyat tahmini hatasını etkili bir şekilde azaltan yeni bir model önerilmektedir. BO'lu bu yeni model; Optimize edicilere ve karşılık gelen vekil işlevlere Gradyan Artımlı Regresyon Ağaçları (GBRT), Gauss Süreci (GP), Rastgele Orman (RF) ve Ekstra Ağaçlar (ET) uygulanması ile elde edilir. Ayrıca sonuçların karşılaştırıla bilirliğini arttırmak için; karesel ortalamalarının karekökü hatası (RMSE), ortalama karesel hata (MSE), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hatası (MAPE) olmak üzere dört farklı performans metriği ile değerlendirilmiştir. Genel olarak, makine öğrenmesi algoritmalarının Bitcoin'in kapanış fiyatını kullanan tahminleri daha iyi sonuçlar vermiştir. Ayrıca veri setine Ethereum, ham petrol ve doğal gazı eklenerek yapılan tahminler sırasıyla daha iyi sonuçlar elde etmiştir. Sırasıyla LSTM, CNN ve GRU ile diğer yöntemlere göre daha iyi sonuçlar elde edilmiştir. Optimizasyonun deneysel sonuçları; hparam, ızgara arama ve rastgele arama dört hata metriği içinde kötü sonuçlar elde etmiştir. BO-GP hibrit LSTM-GRU ile MAE=0.002302, MAPE=0.005497, MSE=0.000015 ve RMSE=0.003269 ile incelediğimiz kadarı ile literatürdeki en iyi sonuçları elde etmiştir.