Makine öğrenmesi algoritmalarını kullanarak bitcoin fiyat tahmini

Abstract

Yatırımcılar için finansal piyasaların gelecek değerlerinin tahminini bilmek önemlidir. Bunun sebebi yatırımcıların yapmış oldukları yatırımların kendilerine maksimum kar sağlamasını istemesi ve zarara uğramak istememesidir. Ancak finansal zaman serilerinin özelliği olan aşırı oynaklık tahminin doğruluk yüzdesini azaltmaktadır. Çalışmada 1826 gözlemden oluşan Bitcoin’e ait günlük kapanış değerleri kullanılarak makine öğrenmesi algoritmaları ile 1827. gün kapanış tahmini gerçekleştirilmektedir. Tahmin için belirlenen algoritmalar Destek Vektör Regresyonu, Rastgele Orman Regresyonu ve k-En Yakın Komşular Regresyonu olmaktadır. Tahmin algoritmalarının performans ve doğruluklarını değerlendirmek için MSE, RMSE ve

değerleri dikkate alınmaktadır. Tüm tahmin grafikleri ve model performans metrikleri incelendiğinde en iyi tahmini Rastgele Orman Regresyonu gerçekleştirmektedir. Destek Vektör Regresyonları içinde serinin polinominal artış göstermesinden dolayı en iyi tahmini verdiği ancak doğrusal, radyal tabanlı ve sigmoid çekirdek fonksiyonlu tahmin algoritmalarının etkin çalışmadığı görülmektedir. k- En Yakın Komşular Regresyonunun ise Rastgele Orman tahmini kadar etkin tahmin yaptığı görülmektedir. Sonuç olarak belirlenen makine öğrenmesi tahmin algoritmaları içinden en az hata ve en yüksek " değerine sahip olarak Rastgele Orman regresyonu olmaktadır. Bitcoin’e ait veriler www.investing.com ’dan alınmıştır. Tüm kodlar Python’da yazılmış olup, model tahminleri için scikit-learn kütüphanesinden faydalanılmıştır.

It is important for investors to know the forecast of the future values of financial markets. This is because investors want their investments to provide them with maximum profit and do not want to be damaged. However, the characteristic of the financial time series, excessive volatility reduces the percentage of accuracy of the estimate. With machine learning algorithms using the daily closing values of Bitcoin, which consist of 1826 observations in the study 1827. The day closing forecast is being carried out. The algorithms determined for estimation are the Support Vector Regression, Random Forest Regression, and k-Nearest Neighbors Regression. MSE, RMSE, and " values are taken into account to assess the performance and accuracy of prediction algorithms. When all forecasting graphics and model performance metrics are reviewed, the best estimate is Random Forest Regression. The Support Vector Regressions show that the series provides the best estimate due to the polynominal increase, but the prediction algorithms with linear, radial-based and sigmoid core function do not function effectively. the k-Nearest Neighbors Regression is seen to be predicting as much effective as the Random Forest forecast. The resulting machine learning has a Random Forest regression of at least error within the estimation algorithms and with the highest value of

. Bitcoin data is derived from www.investing.com. All the codes are written in Python, and the scikit-learn library is used for model estimates.