Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini

Bu tez, kripto varlık piyasalarında, özellikle Bitcoin'de, ani değer kayıplarına yol açan fiyat balonlarının araştırılması ve nedenlerinin makine öğrenmesi yöntemleri ile tespit edilmesini amaçlamaktadır. Kripto piyasalarının yüksek oynaklığı ve karmaşık yapısı, ilgili piyasada fiyat balonlarının varlığı konusunda şüphe uyandırmaktadır. Yapılan çalışmada ilk olarak 1 Ocak 2020 ile 5 Haziran 2024 tarihleri arasındaki veriler analiz edilmiş ve fiyat balonları GSADF testi ile tespit edilmiştir. Sonraki aşamada fiyat balonları, makine öğrenmesi ve derin öğrenme sınıflandırma algoritmaları kullanılarak tahmin edilmektedir. Sınıflandırma tahmini için finansal ve ekonomik değişkenlerin yanı sıra çeşitli teknik indikatörler de türetilerek kullanılmaktadır. Metodolojik olarak, özellik mühendisliği aşamasında makroekonomik göstergelere ek olarak RSI, SMA ve ATR gibi teknik göstergeler kullanılmıştır. Veri sızıntısını önlemek amacıyla tüm değişkenler modele gecikmeli olarak dahil edilmiştir. Modellerin performansı, azınlık sınıfı başarımını ölçmeye uygun Test F1 Skoru, PR-AUC ve ROC-AUC metrikleri ile değerlendirilmiştir. Analiz sonuçlarına göre, makine öğrenmesi modellerine kıyasla RNN modeli, %70 eğitim – %30 test bölünmesinde 0,705 Test F1 skoru ve 0,797 PR-AUC değeri ile en yüksek performansı sergilemiştir. Bu çalışma, fiyat balonlarının varlığını tespit etmek ve veriyi etiketlemek amacıyla ekonometrik GSADF testini kullanmıştır. Belirtilen etiketleri öngörmek amacıyla ise RNN tabanlı derin öğrenme mimarisini kullanan iki aşamalı bütünleşik bir metodoloji sunmaktadır. Elde edilen bulgular üç temel alanda somut katkı sağlamaktadır. İlk olarak yatırımcılar için spekülatif balon dönemlerinde riskleri azaltmaya yardımcı olan bir erken uyarı mekanizması sunmaktadır. İkinci olarak düzenleyici kurumlar açısından piyasa gözetimine yönelik uygulanabilir bir analitik çerçeve önermektedir. Son olarak akademik literatüre, finansal zaman serilerinde zaman bağımlılığını modelleyebilen RNN tabanlı yaklaşımların, geleneksel modellere kıyasla daha güçlü genelleme yeteneğine sahip olduğunu ampirik olarak göstermektedir.