Teknik göstergeler ve derin öğrenme kullanarak işlenmemiş finansal verilerden kripto para alım ve satım sinyalleri elde etmek

Bu çalışmanın amacı, teknik göstergeler ile elde edilen farklı özellik grupları ile farklı örnekleme ve çoğaltma yöntemlerini kullanarak kripto para alım-satım hareketlerinin, özellikle Bitcoin alım-satım hareketlerinin tahmini için derin öğrenme yöntemlerini araştırmaktır. Bu amaçla, finansal zaman serisi verileri pencere kaydırma algoritması ile üç sınıfa ayrılmıştır: satın al, sat, beklet. Bu sınıflandırma algoritması, derin öğrenme ortamında bir problem olan dengesiz veri seti ile sonuçlanmıştır. Dengesiz veri seti problemini çözebilmek ve azınlık sınıflarına ait veri sayılarını arttırabilmek için doğrudan kopyalama, SMOTE, ADASYN adı verilen üç örnekleme yöntemi ve titreşim ve zaman çarpıtma adı verilen iki çoğaltma yöntemi kullanılmıştır. Ayrıca, derin öğrenme modellerine girdi olacak finansal veri özelliklerini elde etmek için bu çalışmaya teknik göstergeler dahil edilmiştir. Elde edilen finansal veri özellikleri üzerinde özellik seçme ve özellik çıkarma işlemleri gerçekleştirilmiştir. Bütün göstergeler, karşılıklı bilgi metriği kullanılarak seçilen en iyi 15 gösterge, momentum, hacim, oynaklık ve trend göstergeleri olmak üzere altı farklı özellik grubu oluşturulmuştur. Önerilen derin öğrenme mimarilerimiz, evrişimli sinir ağı ve iki farklı kodlayıcı mimarisine sahip ilgi mekanizmaları, özellik gruplarının ve örnekleme, çoğaltma yöntemlerinin farklı kombinasyonları ile eğitilmiştir. Sonuçlar umut vericidir ve SMOTE örnekleme tekniğinin uygulandığı, ilk 15 göstergeyi girdi olarak alan ilgi derin öğrenme mimarisi kullanılarak oluşturulan model ile 56.48 olan en iyi makro ortalama F1 skoru elde edilmiştir.