Çalışmadan elde edilen ayrıntılı sonuçlar ilgili şekil ve çizelgelerde verilmiştir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalışmada saatlik ve günlük Bitcoin kripto para birimine ait veri seti kullanılarak, zaman serileri analizinde son yıllarda önemi gittikçe artan Bütünleşik Otoregresif Hareketli Ortalama (ARIMA), Yapay Sinir Ağları (YSA) ve ATA metotları yardımı ile önkestirimler yapılarak elde edilen sonuçlar karşılaştırılmıştır.
📊
Key Findings & Data:Gerçek değerlere en yakın sonuç veren modeli belirlemede Hata Kareler Ortalaması (HKO) değerleri dikkate alınarak modeller karşılaştırılmıştır.
💡
Conclusion & Impact:Çalışmadan elde edilen ayrıntılı sonuçlar ilgili şekil ve çizelgelerde verilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Zaman Serileri · ARIMA · YSA
Özet
Bu çalışmada saatlik ve günlük Bitcoin kripto para birimine ait veri seti kullanılarak, zaman serileri analizinde son yıllarda önemi gittikçe artan Bütünleşik Otoregresif Hareketli Ortalama (ARIMA), Yapay Sinir Ağları (YSA) ve ATA metotları yardımı ile önkestirimler yapılarak elde edilen sonuçlar karşılaştırılmıştır. Gerçek değerlere en yakın sonuç veren modeli belirlemede Hata Kareler Ortalaması (HKO) değerleri dikkate alınarak modeller karşılaştırılmıştır. Yapılan analiz sonuçlarında sırası ile ATA, YSA ve ARIMA modellerden elde edilen sonuçların gerçeğe en yakın ve bu metotlara ait HKO değerlerinin sırası ile en küçük olduğu gözlemlenmiştir. Çalışmadan elde edilen ayrıntılı sonuçlar ilgili şekil ve çizelgelerde verilmiştir.
Fermancı, N., Saraçlı, S. (2022). Farklı Zaman Serisi Modelleri için Önkestirim Performanslarının Karşılaştırılması: Bitcoin Örneği. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, Cilt: 38 Sayı: 1, 79–87. https://ajindex.com/articles/1266817
Ansarı, H. (2020). Artificial neural network: learn about electronics. the United States of America: Independently Publisher.
Bölük, E. (2012). Zaman serisi modellerinin belirlenmesinde artıklara uygulanan tanı teknikleri üzerine bir çalışma (Yüksek Lisans Tezi). Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü.
Bunjaku, F., Trajkovska, G. O., ve Kacarski, M. E. (2017). Cryptocurrencies – advantages and disadvantages. Journal of Economics, 2(1): 31-39.
Can, S. (2020). Rüzgâr türbinleri kullanılarak üretilen elektrik enerjisi miktarının zaman serileri ile analizi ve uygulaması (Yüksek Lisans Tezi). İskenderun Teknik Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü.
Danial, K. (2019). Cryptocurrency investing for dummies. New Jersey: John Wiley & Sons.
Duru, Ö. (2007). Zaman serileri analizinde ARIMA modelleri ve bir uygulama (Yüksek Lisans Tezi). İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü.
Fermancı, N. (2021). Önkestirim amaçlı kullanılan farklı yöntemlerin karşılaştırılması bir uygulama (Yüksek Lisans Tezi). Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü.
Fuller, W. A. (1996). Introduction to statistical time series (7th Edition). Canada: John Wiley & Sons, Inc.
Keskenler, M. F. ve Keskenler, E. F. (2017). Geçmişten günümüze yapay sinir ağları ve tarihçesi. Takvim-i Vekayi, 5(2): 8-18.
Matharu, A. (2019). Introduction to Cryptocurrency. John A. Doukas (Ed.). Understanding cryptocurrencies the money of the future içinde (8-14). (1st Edition) the United States of America: Business Expert Press.
Oğhan, S. (2010). Zaman serisi analiz yöntemlerinin karşılaştırılması (Yüksek Lisans Tezi). Ege Üniversitesi, Fen Bilimleri Enstitüsü.
Özdemir, Ö. (2008). Zaman serisi modellemesinde yapay sinir ağlarının kullanımı ve bir uygulama (Yüksek Lisans Tezi). Anadolu Üniversitesi, Fen Bilimleri Enstitüsü.
Özmen, A. (1986). Zaman serisi analizinde Box-Jenkins yöntemi ve banka mevduat önkestiriminde uygulama denemesi (Doktora Tezi). Anadolu Üniversitesi, Sosyal Bilimler Enstitüsü.
Öztürk, K., Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekaya genel bir bakış. Takvim-i Vekayi, 6(2): 25-36.
Ranganathan, A. (2004). The Levenberg- Marquardt algorithm. Tutoral on LM Algorithm, 1: 101-110.
Selamlar, T. H. (2017). Modelling and forecasting time series data using ATA method (Degree of Doctor). Dokuz Eylül University, Graduate School of Natural and Applied Sciences.
Şenyüz, M. (2019). Türkiye’deki organik tarım ürünlerinin zaman serileri ile analizi (Yüksek Lisans Tezi). İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü.
Tüzen, M. F. (2012). Türkiye turizm gelirinin öngörüsünde zaman serilerinin bileşenlerine ayrıştırılarak yapay sinir ağları ve Box-Jenkins yöntemleri ile karşılaştırmalı analizi (Yüksek Lisans Tezi). Kafkas Üniversitesi, Sosyal Bilimler Enstitüsü.
Uslu, Ç. S. (2011). Zaman serisi analizi ile yapay sinir ağları kestirimlerinin karşılaştırılması (Yüksek Lisans Tezi). Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü.
Yapar, G., Çapar, S., Yavuz, İ. ve Selamlar, H. T. (2019). ATA metod, Hacettepe Journal of Mathematics and Statistics. 48(6): 1838-1844.
Yapar, G., Çapar, S., Selamlar, H. T., & Yavuz, İ. (2018). Modified Holt’s linear trend method, Hacettepe Journal of Mathematics and Statistics. 47(5): 1394-1403.
Yapar, G., Yavuz, I., ve Selamlar, H. T. (2017). Why and how does exponential smoothing fail? An in depth comparison of ATA-simple and simple exponential smoothing. Turkish Journal of Forecasting, 01(1): 30-39.
Yılmaz, E. T. (2018). Time series forecasting of intermittent demand by using ATA method and computational intelligence (Degree of Master). Dokuz Eylül University, Graduate School of Natural and Applied Sciences.