Makine Öğrenmesi ve Derin Öğrenme Yöntemleriyle Bitcoin Fiyat Tahmini: SHAP Analiziyle En Etkili Modelin Açıklanması

Abstract

Makine öğrenmesi ve derin öğrenme, son yıllarda finansal piyasalarda tahminleme süreçlerinde sıklıkla başvurulan yöntemler arasında yer almaktadır. Bu yöntemler, özellikle yüksek oynaklığa sahip kripto para piyasalarında, yatırım kararlarını destekleyici araçlar olarak öne çıkmaktadır. Denetimli öğrenme algoritmaları, geçmiş verilere dayanarak gelecekteki fiyatları tahmin etmeye yönelik güçlü çözümler sunarken; derin öğrenme yaklaşımları, özellikle sıralı veri yapılarındaki karmaşık ilişkileri yakalamada avantaj sağlamaktadır. Bitcoin gibi dijital varlıkların ekonomik değişkenlerle olan ilişkisini anlamak, hem bireysel yatırımcılar hem de finansal kurumlar açısından stratejik bir gereklilik haline gelmiştir. Bu bağlamda açıklanabilir yapay zeka (XAI) teknikleri, tahmin modellerinin iç mantığını şeffaf biçimde ortaya koyarak karar destek sistemlerine katkı sunmaktadır. Bu çalışmada, Bitcoin’in (BTC) günlük kapanış fiyatları, altın, USDX, VIX ve Brent petrol gibi ekonomik göstergeler dikkate alınarak SVR, LSTM, XGBoost ve ANN algoritmaları ile tahmin edilmiştir. 2014–2024 dönemini kapsayan veri setiyle gerçekleştirilen analizde, MAPE, MAE ve R² gibi performans ölçütleri üzerinden karşılaştırma yapılmıştır. Sonuçlara göre, en yüksek doğruluk oranını SVR modeli göstermiştir. Ayrıca SHAP analizi kullanılarak BTCY (yükseliş), BTCD (düşüş) ve BTCA (açılış) değişkenlerinin tahmin sürecinde pozitif katkı sunduğu belirlenmiştir. Buna karşılık, AK (altın) ve BrPK (petrol) gibi dışsal faktörlerin olumsuz etkiler yarattığı gözlemlenmiştir. Elde edilen bulgular ile hem model doğruluğunu hem de değişkenlerin etkisini şeffaf biçimde ortaya koyarak literatüre önemli katkılar sunulmuştur.