Makine Öğrenimi ile Kripto Para Fiyat Tahmini

İçindekiler

1. Giriş

Kripto para piyasası, 2017'den bu yana benzeri görülmemiş bir büyüme yaşamış ve piyasa değeri Ocak 2018'de 800 milyar doların üzerine çıkmıştır. Bu araştırma, en gelişmiş makine öğrenimi algoritmalarını uygulayarak kripto para fiyatlarını tahmin etmek ve algoritmik ticaret stratejileri aracılığıyla anormal kârlar elde etmek suretiyle piyasa verimsizliği hipotezini ele almaktadır.

2. Metodoloji

2.1 Veri Toplama

Çalışma, Kasım 2015'ten Nisan 2018'e kadar 1.681 kripto paranın günlük verilerini analiz etmiştir. Veri seti, Binance, Upbit ve Kraken dahil olmak üzere çoklu borsalardaki fiyat hareketleri, işlem hacimleri ve piyasa değeri metriklerini içermektedir.

2.2 Makine Öğrenimi Modelleri

Üç birincil model değerlendirilmiştir:

• İki gradyan artırıcı karar ağacı uygulaması (XGBoost, LightGBM)
• Uzun Kısa Vadeli Bellek (LSTM) tekrarlayan sinir ağları

2.3 Ticaret Stratejisi Uygulaması

Model tahminlerine dayalı olarak yatırım portföyleri oluşturulmuş olup, performans al-sat ve tut stratejileri de dahil olmak üzere standart kıyaslamalara karşı yatırım getirisi (ROI) ile ölçülmüştür.

3. Teknik Uygulama

3.1 Matematiksel Çerçeve

Fiyat tahmini problemi, bir zaman serisi tahmin görevi olarak formüle edilebilir. $P_t$ zamanındaki fiyatı, $X_t$ ise geçmiş fiyatlar, hacimler ve teknik göstergeleri içeren özellik vektörlerini temsil etsin. Tahmin modeli şunu öğrenmeyi amaçlar:

$P_{t+1} = f(X_t, X_{t-1}, ..., X_{t-n}) + \epsilon_t$

Burada $f$ makine öğrenimi modelini, $\epsilon_t$ ise hata terimini temsil eder.

3.2 Algoritma Detayları

Gradyan artırma, tipik olarak karar ağaçları olan zayıf tahmin modellerinden oluşan bir topluluğu aşamalı bir şekilde oluşturur. Algoritma, önceki ağaçların artıklarını tahmin eden ağaçlar ekleyerek bir kayıp fonksiyonu $L$'yi en aza indirger:

$F_m(x) = F_{m-1}(x) + \gamma_m h_m(x)$

Burada $h_m(x)$ temel öğrenici, $\gamma_m$ ise adım boyutudur.

4. Deneysel Sonuçlar

Araştırma, makine öğrenimi destekli ticaret stratejilerinin standart kıyaslamaları sürekli olarak geride bıraktığını göstermiştir. Temel bulgular şunları içerir:

• Her üç model de pozitif anormal getiriler üretmiştir
• Gradyan artırma algoritmaları çoğu senaryoda üstün performans göstermiştir
• LSTM ağları karmaşık zamansal bağımlılıkları yakalamış ancak daha fazla hesaplama kaynağı gerektirmiştir
• Basit algoritmik mekanizmalar kısa vadeli piyasa evrimini etkili bir şekilde öngörmüştür

5. Kod Uygulaması

Aşağıda gradyan artırma yaklaşımının basitleştirilmiş bir Python uygulaması bulunmaktadır:

import xgboost as xgb
import pandas as pd
from sklearn.metrics import mean_squared_error

# Özellik mühendisliği fonksiyonu
def create_features(df):
    df['price_lag1'] = df['price'].shift(1)
    df['volume_lag1'] = df['volume'].shift(1)
    df['price_rolling_mean'] = df['price'].rolling(window=7).mean()
    return df.dropna()

# Model eğitimi ve tahmini
model = xgb.XGBRegressor(
    n_estimators=100,
    max_depth=6,
    learning_rate=0.1
)

# X_train, y_train'nin hazırlanmış özellikler ve hedefler olduğu varsayılıyor
model.fit(X_train, y_train)
predictions = model.predict(X_test)

6. Gelecek Uygulamalar

Kripto para tahmininde makine öğreniminin başarısı, birkaç gelecek yönü açmaktadır:

• Alternatif veri kaynaklarının entegrasyonu (sosyal medya duyarlılığı, blockchain metrikleri)
• Temel ve teknik analizi birleştiren hibrit modellerin geliştirilmesi
• Geliştirilmiş dizi modellemesi için transformatör mimarilerinin uygulanması
• Risk yönetimi çerçeveleri ile gerçek zamanlı ticaret sistemleri
• Geleneksel ve kripto varlıkları içeren çapraz varlık portföy optimizasyonu

7. Referanslar

1. ElBahrawy, A., et al. (2017). Evolutionary dynamics of the cryptocurrency market. Royal Society Open Science.
2. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. KDD '16.
3. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
4. Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
5. Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance.