Journals / Anadolu Üniversitesi Sosyal Bilimler Dergisi / 2020 / Cilt: 20 - Sayı: 1

Kripto Para Fiyatlarının Tahmininde Gri Sistem Teorisi: Yöntemsel Karşılaştırma

Pages
219–232
Publication Date
2020-03-07
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen sonuçlara göre GM(1,1) model ve Rolling-GM(1,1) model sonuçlarının birbirine çok yakın hata oranlarıyla tahmin yaptıkları ve yapılan tahminlere ait hata oranlarının çok düşük olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Öz 2008 yılında temelleri atılmış olan Kiripto para kavramı, 2017 yılı Aralık ayı itibari ile 19.060 ABD dolarına ulaşmış ve tanınırlığını arttırmıştır.
📊
Key Findings & Data:Bitcoin ve sayıları 2700’ü bulan diğer kripto paralar hızlı kazanç elde etmek isteyen yatırımcıların dikkatini çekmeyi başarmıştır.
💡
Conclusion & Impact:Elde edilen sonuçlara göre GM(1,1) model ve Rolling-GM(1,1) model sonuçlarının birbirine çok yakın hata oranlarıyla tahmin yaptıkları ve yapılan tahminlere ait hata oranlarının çok düşük olduğu görülmüştür.
🔬Design:Review & Systematic Survey
📍Scope:2008 Verileri
⚙️Variables:Anahtar Kelimeler Bitcoin · Etheryum · IOTA

Özet

Öz 2008 yılında temelleri atılmış olan Kiripto para kavramı, 2017 yılı Aralık ayı itibari ile 19.060 ABD dolarına ulaşmış ve tanınırlığını arttırmıştır. Bitcoin ve sayıları 2700’ü bulan diğer kripto paralar hızlı kazanç elde etmek isteyen yatırımcıların dikkatini çekmeyi başarmıştır. Bu kapsamda kripto paraların fiyatının nasıl ve ne yönde değişeceği birçok kesim tarafından araştırma konusu olmuştur. Bu çalışmanın amacı, Bitcoin, Ethereum, IOTA ve Ripple gibi farklı altyapısal özellikleri olan kripto paraların gelecek fiyatını geçmişte gerçekleşen fiyatlardan hareketle tahmin etmektir. Çalışmada Deng Ju-Long tarafından 1980’li yıllarda ortaya atılan gri sistem teorisi ile fiyat tahminlemesi yapılmıştır. Çalışmada kullanılan geçmiş fiyatlar 11 günlük süreci kapsamaktadır. Literatüre göre kısa sayılabilecek bu süre modelin diğer modellere görece üstünlüğünü göstermektedir. Elde edilen sonuçlara göre GM(1,1) model ve Rolling-GM(1,1) model sonuçlarının birbirine çok yakın hata oranlarıyla tahmin yaptıkları ve yapılan tahminlere ait hata oranlarının çok düşük olduğu görülmüştür.

🔖

Cite This Article

ŞAHİN, E. E., BAĞCI, B. (2020). Kripto Para Fiyatlarının Tahmininde Gri Sistem Teorisi: Yöntemsel Karşılaştırma. Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt: 20 - Sayı: 1, 219–232. https://ajindex.com/articles/9024

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Akay, D., ve Atak, M. (2007). Grey prediction with rolling mechanism for electricity demand forecasting of Turkey. Energy, 32(9), 1670-1675.
  2. Akcora, C.G., Dey, A.K., Gel, Y.R. & Kantarcioglu, M. (2018, June). Forecasting Bitcoin price with graph chainlets. Proceedings of the Pacific-Asia Conference on Knowledge Discovery and Data Mining, Springer, Cham, 765-776.
  3. Almeida, J., Tata, S., Moser, A. & Smit, V. (2015). Bitcoin prediciton using ANN. Neural Networks, 1-12.
  4. Altıner, M. (2017). Kripto para: Bitcoin ve uluslararası ilişkiler. Cyberpolitik Journal, 2(4), 130- 147. Amjad, M. & Shah, D. (2017, February). Trading Bitcoin and online time series prediction. Proceedings of the NIPS 2016 Time Series Workshop, 1-15.
  5. Bakar, N.A. & Rosbi, S. (2017). Autoregressive integrated moving average (ARIMA) model for forecasting cryptocurrency exchange rate in high volatility environment: A new insight of Bitcoin transaction. International Journal of Advanced Engineering Research and Science, 4(11), 130-137.
  6. Baur, D., Lucey, B. (2010). Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Finance Reviews, 45(2), 217–229. Brière, M., Oosterlinck, K. & Szafarz, A. (2015). Virtual currency, tangible return: Portfolio diversification with Bitcoin. Journal of Asset Management, 16(6), 365-373.
  7. Cabanilla, K.I.M. (2016). The future of cryptocurrency: Forecasting the Bitcoin-philippine peso exchange rate using SARIMA through TRAMO-SEATS. Catania, L., Grassi, S. & Ravazzolo, F. (2018). Forecasting cryptocurrencies financial time series. Deng, J. L. (1982). Control problems of grey systems. Systems & Control. Letters., 1(5), 288-294.
  8. Detzel, A., Liu, H., Strauss, J., Zhou, G. & Zhu, Y. (2018). Bitcoin: Predictability and profitability via technical analysis. SSRN Electronic Journal. Dinges, C. (2018). Forecast of Bitcoin–can it become a major currency or is it just another bubble?. Available at SSRN 3110445. http://dx.doi.org/10.2139/ssrn.3110445.
  9. Gencer, A.H. (2017). Yapay sinir ağları ile Bitcoin fiyatını tahminleme forecasting the bitcoin price via artificial neural networks. http://www.avekon.org/papers/2070.pdf.
  10. Halaburda, H. & Gandal, N. (2014). Competition in the cryptocurrency market. https://www.econstor.eu/bitstream/10419/103022/1/791932281.pdf.
  11. Indera, N.I., Yassin, I.M., Zabidi, A. & Rizman, Z.I. (2017). Non-linear autoregressive with exogeneous input (NARX) Bitcoin price prediction model using PSO-optimized parameters and moving average technical ind