Teknik göstergeleri kullanarak bitcoin trendini derin öğrenme ile tahmin etmek

Bu araştırmada teknik göstergeleri farklı derin öğrenme yöntemleri ile kullanarak Bitcoin/Dolar paritesinin trendini tahmin etmek amaçlandı. Temel hedef, Bitcoin/Dolar paritesinin trendini tamin ederken, teknik göstergelerin kullanılması ile, yalın finansal veri olan açılış, kapanış, en yüksek, en düşük ve hacim (AKYDH) verilerinin kullanıldığı uygulamalardan daha iyi doğruluk başarım sonuçları elde etmek oldu. Bu doğrultuda, literatürde stok fiyatı tahmin etme alanında gösterdikleri başarımlardan ve teorik uyumluluklarndan ötürü, Derin Sinir Ağları (DSA), Uzun Kısa Vadeli Hafıza Ağları (UKVH) ve Kapılı Tekrarlayan Hücre (KTH) algoritmaları kullanıldı. AKYDH verilerine karşı test etmek amacı ile özellik kümesinde toplamda 156 adet teknik gösterge, matematiksel dönüşüm ve finansal kalıp kullanıldı. Bu araştırmadaki deneyler gösterdi ki, kullanılan bütün derin öğrenme modelleri için, teknik göstergeler kullanıldığında, bu göstergelerin kullanılmadığı, AKYDH verisinin kullanıldığı denemelerden daha başarılı sonuçlar elde edildi. Tek yönlü işlem komisyon oranı kullanılarak oluşturulan ve al, sat veya bekle sınıflarından oluşan, sınıf dağılımı açısından dengesiz veri kümesi için UKVH, kullanılan üç model arasında en başarılısı oldu. UKVH, bireysel sınıf tahminleme başarımlarının da kabul edilebilir ölçüde olduğu durumda %56.33'lük genel bir doğruluk tahminleme başarımı elde etti. AKYDH verisi ile bu başarım oranı en fazla %53.26 olabildi. Tek yönlü işlem komisyonu, daha dengeli dağılıma sahip bir veri kümesi elde etmek için değiştirildiğinde gözlemlenen en başarılı model %52.19 ile KTH oldu. Bu veri kümesi için AKYDH ancak %39.85'lik bir başarım elde edebildi.