A hybrid deep learning approach using multi-indicators for cryptocurrency direction prediction and trading
Kripto para yön tahmini ve ticareti için çoklu göstergeler kullanan hibrit derin öğrenme yaklaşımı
- Tez No: 1020034
- Danışmanlar: PROF. DR. MAHİR DURSUN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kripto para piyasaları, yüksek volatilite, doğrusal olmayan yapılar ve ani fiyat değişimleri ile karakterize edilmekte olup, güvenilir yön tahminini zorlaştırmaktadır. Bu probleme çözüm sunmak amacıyla, bu tezde tahmin ve işlem performansını artırmak üzere evrişimsel öznitelik çıkarımı, çift yönlü zamansal öğrenme ve dikkat mekanizmasını bir araya getiren CNN-BiLSTM-AM tabanlı hibrit bir derin öğrenme çerçevesi önerilmektedir. Ampirik analiz, OHLCV değişkenleri ile geniş kapsamlı teknik ve temel göstergelerden oluşturulan bir özellik uzayı kullanılarak 10 kripto paraya ait günlük veriler üzerinde gerçekleştirilmiştir. Önerilen model; sınıflandırma ölçütleri ve geriye dönük test tabanlı işlem performansı ölçütleri aracılığıyla LSTM, BiLSTM, CNN-LSTM, CNN-BiLSTM ve CNN-LSTM-AM dâhil olmak üzere çeşitli karşılaştırma mimarileriyle değerlendirilmiştir. Elde edilen sonuçlar, önerilen modelin genel olarak en güçlü ve en sağlam performansı sunduğunu göstermektedir. Sınıflandırma aşamasında model, genel olarak 0,53–0,57 aralığında doğruluk değerlerine ulaşırken, çeşitli kripto paralarda daha yüksek kesinlik değerleri ve daha dengeli F1 skorları üretmiştir. Geriye dönük test sonuçlarında ise model, bazı varlıklarda %200'ün üzerinde strateji getirisi ve yaklaşık 1,9'a ulaşan Sharpe oranları ile oldukça rekabetçi sonuçlar sağlamış; ayrıca birçok durumda karşılaştırma ölçütüne kıyasla daha iyi maksimum düşüş performansı sergilemiştir. Karşılaştırmalı analiz, önerilen mimarinin genel olarak en tutarlı model olduğunu doğrularken, CNN-LSTM-AM modelinin en yakın rakip olarak öne çıktığını göstermektedir. Önceki çalışmalarla yapılan karşılaştırmalar da, özellikle Bitcoin için olmak üzere, önerilen çerçevenin literatürde raporlanan sonuçlarla rekabet edebildiğini ve bazı durumlarda bu sonuçları geliştirdiğini ortaya koymaktadır. Genel olarak bulgular, teknik ve temel bilgilerle zenginleştirilmiş hibrit bir derin öğrenme mimarisinin, kripto para yön tahmini ve işlemleri için güçlü, sağlam ve uygulamada faydalı bir çerçeve sunabileceğini göstermektedir.
Özet (Çeviri)
Cryptocurrency markets are characterized by high volatility, nonlinearity, and abrupt price changes, which make reliable direction forecasting a difficult task. To address this problem, this thesis proposes a hybrid deep learning framework based on CNN-BiLSTM-AM, which combines convolutional feature extraction, bidirectional temporal learning, and an attention mechanism to improve both predictive and trading performance. The empirical analysis is conducted on daily data for 10 cryptocurrencies by using a feature space constructed from OHLCV variables together with a broad set of technical and fundamental indicators. The proposed model is compared with several benchmark architectures, including LSTM, BiLSTM, CNN-LSTM, CNN-BiLSTM, and CNN-LSTM-AM, through both classification metrics and backtesting-based trading measures. The results show that the proposed model provides the strongest and most robust overall performance. In classification, it achieves accuracy values generally in the 0.53–0.57 range, while producing stronger precision and more balanced F1-scores for several cryptocurrencies. In backtesting, the model generates highly competitive outcomes, with strategy returns reaching above 200% for some assets and Sharpe ratios rising up to about 1.9, while also showing improved drawdown behavior relative to the benchmark in many cases. The comparative study further confirms that the proposed architecture is the most consistent model overall, whereas CNN-LSTM-AM emerges as the closest competitor. Comparison with previous studies also indicates that the proposed framework is competitive with, and in some cases improves upon, the reported results in the literature, especially for Bitcoin. Overall, the findings demonstrate that a hybrid deep learning architecture enriched with technical and fundamental information can provide a strong, robust, and practically useful framework for cryptocurrency direction forecasting and trading.
Benzer Tezler
- Bulut tabanlı otonom sürüş sıstemlerınde görüntü işleme ıçın tam homomorfık şıfreleme yaklaşımı
A fully homomorphic encryption approach to image processing in cloud based autonomous driving systems
KAMRAN SAEED
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Türkiye'de kurulu güç dağılımı dengelemesiyle rüzgardan enerji üretiminin üniformlaştırılması
Uniformizing energy production from wind through installed capacity balancing in Turkey
CANSU ŞİMAL BAĞLI
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU