Makine Öğrenmesi Yöntemleri ile Kripto Varlık Fiyat Tahmini ve En İyi Yöntemin ÇKKV Teknikleri ile Belirlenmesi

Bu çalışma, kripto varlık fiyatlarının makine öğrenmesi algoritmaları ile tahmin edilmesini ve en başarılı yöntemin çok kriterli karar verme (ÇKKV) teknikleriyle belirlenmesini amaçlamaktadır. Bitcoin, Ethereum, BNB, Ripple ve Dogecoin için 01.01.2018 ve 31.12.2023 yılları arasındaki günlük veriler kullanılarak, fiyat hareketleri, teknik göstergeler, yatırımcı duyarlılığı ve makroekonomik faktörleri içeren çok boyutlu bir veri seti oluşturulmuştur. Tahmin modelleri olarak SVR, RF, XGBoost ve LSTM algoritmaları uygulanmış olup, performansları R², MAE, MSE ve RMSE gibi hata metrikleriyle değerlendirilmiştir. Ayrıca değişkenlerin önem düzeyleri, SVR ve LSTM için permütasyon önem analizi ile, RF ve XGBoost’un ise gömülü önem hesaplama yöntemleri ile analiz edilmiştir. Model performanslarına göre oluşturulan karar matrisi üzerinden CRITIC yöntemiyle kriter ağırlıkları hesaplanarak TOPSIS, ARAS ve CODAS yöntemleriyle sıralamalar yapılmış ve en başarılı algoritma Copeland yöntemiyle belirlenmiştir. Sonuçlara göre, en yüksek genel başarıyı XGBoost algoritmasının sağladığı görülmektedir. LSTM algoritması ikinci sırada yer alırken, RF üçüncü ve SVR dördüncü sırada yer almıştır. Ayrıca bulgular, teknik analiz değişkenlerinin model başarısında belirleyici olduğunu ancak, makroekonomik ve duyarlılık göstergelerinin sınırlı katkı sağladığını göstermektedir.