KRİPTO PARA FİYATLARININ KLASİK VE YAPAY SİNİR AĞI MODELLERİ İLE TAHMİNİ

FORECASTING THE CRYPTOCURRENCY PRICE USING THE CLASSICAL AND ARTIFICIAL NEURAL NETWORKS MODELS

Özet

Günümüzde kripto para birimlerinin önemi gittikçe artmaktadır. Kripto para birimleri sanal oyun platformlarında kullanılırken, şu an pek çok kurum ve kuruluş tarafından ödeme aracı olarak kullanılmaktadır. Güvenlik risklerine karşı blockchain (Blok Zinciri) adı verilen algoritması ile üretimi sağlanmaktadır. Kripto para fiyatlarının doğru olarak tahmin edilmesi yatırımcı ve karar vericiler açısından büyük önem taşımaktadır. Bu çalışma kapsamında en çok kullanılan dört kripto para birimine (Bitcoin, Ethereum, Ripple, Litecoin) ait fiyat değerleri tahmin edilmiştir. Çoklu kırılma testinden yararlanılarak her seriye ait kırılmalar belirlenerek analiz genişletilmiştir. Ele alınan sanal para değerlerini doğru bir şekilde tahmin etmek amacıyla hem klasik zaman serisi modellerinden hem de üç farklı tür yapay sinir ağı modelinden faydalanılmıştır. Ayrıca elde edilen tahminler üzerinde basit birleştirilme teknikleri uygulanmıştır. Rassal yürüyüşün egemen olduğu bu seriler arasından, özellikle işlem hacmi ve bilinilirliği en fazla olan Bitcoin sanal parasında rassal yürüyüş modelinden daha iyi sonuçlar elde edildiği gözlemlenmiştir.

Abstract

Cryptocurrencies are increasing in importance. While to start with they were used only in virtual reality platforms for games, nowadays they are being used by many institutions and organisations as payment instruments. Against security risks, they are produced by an algorithm called blockchain. Predicting cryptocurrencies as accurately as possible is of great importance for investors and decision makers. In the scope of this study, the prices of the most-used four cryptocurrencies (Bitcoin, Ethereum, Ripple, Litecoin) are forecast. The analysis conducted is expanded by determining the break points of each series under investigation via the multiple break point test. For the purpose of predicting the concerned series, both classical time series models and three different artificial neural networks models are employed. In addition, the combining methods are carried out to improve the results. Among these random walk-dominated series, the best results are obtained with Bitcoin, which is the most widely known and has the highest trading volume, compared with other cryptocurrencies in the study.