Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini

Abstract

Bu tez, kripto varlık piyasalarında, özellikle Bitcoin’de, ani değer kayıplarına yol açan fiyat balonlarının araştırılmasını ve nedenlerinin makine öğrenmesi yöntemleri ile tespit edilmesini amaçlamaktadır. Kripto varlık piyasalarının yüksek oynaklığı ve karmaşık yapısı, ilgili piyasada fiyat balonlarının varlığı konusunda şüphe uyandırmaktadır. Yapılan çalışmada ilk olarak 1 Ocak 2020 ile 5 Haziran 2024 tarihleri arasındaki veriler analiz edilmiş ve fiyat balonları GSADF testi ile tespit adilmiş ve etiketlenmiştir. Sonraki aşamada fiyat balonları, makine öğrenmesi ve derin öğrenme sınıflandırma algoritmaları kullanılarak tahmin edilmiştir. Sınıflandırma tahmini için finansal ve ekonomik değişkenlerin yanı sıra çeşitli teknik göstergeler de türetilerek kullanılmıştır. Metodolojik olarak, özellik mühendisliği aşamasında makroekonomik göstergelere ek olarak RSI, SMA ve ATR gibi teknik göstergeler kullanılmıştır. Veri sızıntısını önlemek amacıyla tüm değişkenler modele gecikmeli olarak dahil edilmiştir. Modellerin performansı, azınlık sınıfı başarımını ölçmeye uygun Test F1 Skoru, PR-AUC ve ROC-AUC metrikleri ile değerlendirilmiştir. Analiz sonuçlarına göre, makine öğrenmesi modellerine kıyasla RNN modeli, %70 eğitim – %30 test bölünmesinde 0,705 Test F1 skoru ve 0,797 PR-AUC değeri ile en yüksek performansı sergilemiştir. Elde edilen bulgular üç temel alanda somut katkı sağlamaktadır. İlk olarak yatırımcılar için spekülatif balon dönemlerinde riskleri azaltmaya yardımcı olan bir erken uyarı mekanizması sunmaktadır. İkinci olarak düzenleyici kurumlar açısından piyasa gözetimine yönelik uygulanabilir bir analitik çerçeve önermektedir. Son olarak kripto varlık fiyat balonlarını modelleyebilen RNN tabanlı yaklaşım sunulmuştur.This thesis aims to investigate price bubbles in crypto-asset markets—particularly in Bitcoin—that can trigger sudden value collapses, and to identify their underlying drivers using machine learning methods. The high volatility and complex structure of crypto-asset markets raise doubts regarding the presence and detectability of price bubbles in this domain. In this study, data spanning 1 January 2020 to 5 June 2024 are first analyzed, and price bubbles are detected and labeled using the GSADF test. In the subsequent stage, these bubble periods are predicted via machine learning and deep learning classification algorithms. For the classification task, a set of features is constructed that includes financial and macroeconomic variables as well as derived technical indicators. Methodologically, the feature engineering process incorporates technical indicators such as RSI, SMA, and ATR in addition to macroeconomic indicators. To prevent data leakage, all variables are included in the models using lagged values. Model performance is evaluated using metrics suitable for assessing minority-class performance, namely the Test F1-score, PR-AUC, and ROC AUC. The empirical results show that, compared with conventional machine learning models, the RNN model achieves the best performance under a 70% training–30% testing split, attaining a Test F1-score of 0.705 and a PR-AUC of 0.797. The findings provide tangible contributions in three main areas. First, they offer an early warning mechanism that can help investors mitigate risks during speculative bubble periods. Second, they propose an actionable analytical framework for market surveillance from the perspective of regulatory authorities. Finally, the study presents an RNN-based approach capable of modeling crypto asset price bubbles.