Kripto Para Piyasaları için Yapay Zeka Tabanlı Tahmin Motorunun Geliştirilmesi

Creative Commons License

Aygün O., Ulus F. C., Akay M. F.

Çukurova Üniversitesi Mühendislik Fakültesi dergisi, cilt.41, sa.2, ss.285-298, 2026 (TRDizin)

Özet

Bu çalışma, büyük veri analitiği ve gelişmiş yapay zeka algoritmaları kullanarak piyasa trendlerini ve fiyat dinamiklerini analiz etmeye, risk faktörlerini belirlemeye ve yatırımcılara tahminler sunmaya yardımcı olacak yenilikçi bir çözüm sunmayı amaçlamaktadır. Kısa, orta ve uzun vadeli Bitcoin kapanış fiyatı tahmin modelleri, Uzun-Kısa Vadeli Bellek (LSTM), Kapılı Tekrarlayan Birim (GRU) ve transformatör mimarisine dayalı modeller kullanılarak geliştirilmiş ve kısa vadeli Bitcoin kapanış fiyatı tahminleri için Monte Carlo senaryoları oluşturulmuştur; ayrıca Değer Riski (VaR) ve Koşullu Değer Riski (CVaR) gibi kuyruk riski metrikleri hesaplanmıştır. Binance API kullanılarak BTC/USDT sembolü için bir veri seti hazırlanmıştır. Geliştirilen modellerin performansı, Kök Ortalama Kare Hatası (RMSE), Ortalama Mutlak Hata (MAE) ve Ortalama Mutlak Yüzde Hatası (MAPE) kullanılarak değerlendirilmiştir. Sonuçlar, en başarılı sonuçların kısa vadeli tahmin modelleriyle elde edildiğini göstermiştir. GRU ile geliştirilen tahmin modelleri üstün performans göstermiştir.
This study aims to present an innovative solution that will help analyze market trends and price dynamics, identify risk factors, and provide investors with predictions using big data analytics and advanced artificial intelligence algorithms. Bitcoin closing price prediction models for short-term, medium-term, and long-term have been developed using Long-Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and transformer architecture based models and Monte Carlo scenarios have been generated for short-term Bitcoin closing price predictions; and tail-risk metrics such as Value at Risk (VaR) and Conditional Value at Risk (CVaR) have been calculated. A dataset for BTC/USDT symbol has been prepared using Binance API. The performance of developed models was evaluated using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results showed that most successful results have been obtained with prediction models developed for short term. Prediction models developed with GRU achieved superior performance.