Derin Öğrenme Kullanarak Kripto Para Fiyat Tahmini
Kripto para birimlerinin popülaritesi, 2017 yılında piyasa değerlerinin üst üste gelen aylar boyunca üstel büyümesi nedeniyle arttı. Fiyatlar Ocak 2018'de 800 milyar dolardan fazla zirveye ulaştı.
Makine öğrenimi, farklı zaman serisi modelleri aracılığıyla hisse senedi piyasası fiyatlarını tahmin etmede başarılı olmuş olsa da, kripto para birimi fiyatlarını tahmin etmede sınırlı kalmıştır. Bunun nedeni, kripto para birimlerinin fiyatlarının teknolojik ilerlemeye, iç rekabete, piyasaların teslim etme baskısına, ekonomik sorunlara, güvenlik sorunlarına, siyasi faktörlere vb. bağlı olmasıdır. Yüksek volatilitesi, akıllı yatırım stratejileri uygulanması durumunda yüksek kar potansiyeli sunar. Maalesef, kripto para birimleri endekslerinin olmaması nedeniyle, hisse senedi piyasası tahminleri gibi geleneksel finansal tahminlere kıyasla nispeten öngörülemezler.
Bu blogda, kripto para birimi fiyatlarını tahmin etmek için dört adımlık bir süreçten bahsedeceğim:
- Gerçek zamanlı kripto para birimi verilerini elde etmek.
- Eğitim ve test için verileri hazırlamak.
- LSTM sinir ağı kullanarak kripto para birimi fiyatlarını tahmin etmek.
- Tahmin sonuçlarını görselleştirmek.
Veri Kümesi
Veri kümesi CryptoCompare web sitesinden indirilebilir ve kullanılabilir.
Veri kümesi toplam 5 özellik içerir. Ayrıntılar şöyledir:
- Kapanış Fiyatı — Belirli bir gün için para birimi piyasa kapanış fiyatıdır.
- Yüksek Fiyat — Günün para birimi en yüksek fiyatıdır.
- Düşük Fiyat — Belirli bir gün için para birimi en düşük fiyatıdır.
- Açılış Fiyatı — Belirli bir gün için para birimi piyasa açılış fiyatıdır.
- Hacim — O gün için işlem gören para biriminin hacmidir.
LSTM Modeli ve Sonuç
Ocak 2022 ile Ocak 2023 arasında fiyatlarda belirgin bir düşüş gözlemlenebilir. Fiyatlar Ocak 2023'dan itibaren artmaya devam ediyor. Ancak, bu, ele alınan veri kümesinin sadece bir yıllık küçük bir örneği olduğu için genelleştirilemez. Ayrıca, kripto para birimleriyle herhangi bir şeyi genelleştirmek zordur.
Ardından, birkaç fonksiyon oluşturdum ve değerleri normalize ettim. Normalizasyon, makine öğrenimi için veri hazırlığının bir parçası olarak sıklıkla uygulanan bir tekniktir. Normalizasyonun amacı, veri kümesindeki sayısal sütunların değerlerini farklı aralıklardaki farklılıkları bozmadan ortak bir ölçeğe dönüştürmektir.
Yukarıdaki grafikte, LSTM yapay sinir ağı kullanarak test verileri üzerinde fiyat tahmini yaptık. Deep learning modelleri, kripto para fiyat tahmini gibi zaman serisi problemlerinde oldukça etkili olabiliyor. LSTM (Uzun Kısa-Term Hafıza) sinir ağı, zaman serisi verilerini işlemek için oldukça popüler bir modeldir. Ancak, LSTM modelinin hiper-parametrelerini optimize etmek ve daha iyi sonuçlar elde etmek için fine-tuning yapmak gerekiyor.
Fine-tuning, önceden eğitilmiş bir modelin, belirli bir görev için uygun hale getirilmesi anlamına geliyor. Bu durumda, kripto para fiyat tahmini görevi için bir LSTM modeli kullanılabilir ve bu modelin hiper-parametreleri, örneğin epoch sayısı, batch size, learning rate gibi değişkenler, fine-tuning ile optimize edilebilir. Bu süreç, daha iyi performans ve daha doğru fiyat tahminleri sağlayabilir.
Bu makalede, LSTM sinir ağı kullanarak gerçek zamanlı olarak kripto para birimi fiyatlarının nasıl tahmin edileceğini gösterdim. Gerçek zamanlı kripto para verilerini almak, verileri eğitim ve test için hazırlamak, LSTM sinir ağı kullanarak fiyatları tahmin etmek ve tahmin sonuçlarını görselleştirmek için dört adımlık bir süreç izledim. Daha iyi sonuçlar için hiper-parametreleri veya farklı sinir ağı mimarilerini deneyerek gelistirilebilir.
