Makine öğrenme yaklaşımları kullanarak kripto para birimi analizi

Kripto para biriminin popülaritesi ve ticari kabulü, finansal sistemi yeniden şekillendirmede kilit bir rol oynamaktadır. Özellikle yüksek getiri potansiyeli, yatırımcıların kripto para ticaretine olan ilgisini artırmıştır. BTC yatırımlarından maksimum getiri elde etmek için, kesin fiyat tahmini vazgeçilmez hale gelmiştir. Kripto para fiyat tahmini, doğası gereği bir zaman serisi görevi olduğundan, derin öğrenme modellerini kullanmak son derece tavsiye edilir. Bu bağlamda, çalışmamız, Yapay Sinir Ağları (ANN) ve Evrişimsel Sinir Ağları (CNN) üzerinde öncelikli olarak yoğunlaşarak, günlük BTC fiyatlarını (BP) tahmin etmek için farklı derin öğrenme modellerinin kapsamlı bir değerlendirmesine derinlemesine dalıyor. İlk veri setimiz, veri bilimi çabaları için önde gelen bir merkez olan Kaggle'dan elde edildi. Ön işleme sırasında tutarlılığı sağlamak için min-maks ölçeklendirme tekniğini kullandık. Derin öğrenme modellerinin yanı sıra, analizimiz Doğrusal Regresyon (LR), Karar Ağacı Regresyonu (DT), Rastgele Orman Regresyonu (RF) ve diğerleri gibi bir dizi makine öğrenimi modelini de kapsadı. Bu, çeşitli tahmin metodolojileri arasında kapsamlı bir karşılaştırma sunmak içindi. Bu modellerin tahmin gücünü değerlendirmek için kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE) ve korelasyon katsayısı (R) gibi ana regresyon metriklerini kullandık. Daha önce tartışıldığı gibi, düşük bir RMSE'nin daha iyi model performansı anlamına geldiğini ve tahmin hatalarını azalttığını belirtmek önemlidir. Sonuçlarımızda, CNN derin öğrenme modelleri arasında 0.0543 RMSE, 0.0324 MAE ve 0.960 R değeri ile en üst sıradaki yarışmacı olarak ortaya çıktı, BP'yi tahmin etmedeki olağanüstü yeteneğini vurguladı. Geleneksel makine öğrenimi modellerinin değerlendirilmesinde, RF modeli 0.0561 RMSE ve 0.0246 MAE ile dikkat çekici bir performans sergiledi. Önceki tartışmalara göre, düşük bir RMSE değerinin daha iyi tahmin doğruluğu anlamına geldiğini ve bu bağlamda RF modelini son derece etkili kıldığını belirtmek gerekir. Buna rağmen, RF modelinin performansının, özellikle RMSE açısından CNN modeline kıyasla biraz daha düşük olduğu dikkate değerdir. Ek olarak, RF modeli için R2 değeri 0.958287 olarak belirlendi ve verilere sağlam bir uyum gösterdi; ancak bu veya diğer makine öğrenimi modelleri için korelasyon katsayısı (R değeri) belirtilmedi. R değerini dahil etmek, her modelin performansını daha ayrıntılı anlamamızı sağlayabilir ve gelecekteki değerlendirmelerde dikkate alınmalıdır.