Kripto para piyasasının volatilite öngörümlemesi: GARCH modellerinin ve derin öğrenme algoritmalarının karşılaştırması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: ÖMER BURAK AKGÜN
Danışman: EMRAH GÜLAY
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda kripto para birimleri yatırımcıların büyük ilgisini çekmiş ve medyada önemli bir konu haline gelmiştir. Bununla birlikte, kripto para birimlerinde önemli fiyat dalgalanmaları yaşanmaktadır. Bu tez, farklı Genelleştirilmiş Otoregresif Koşullu Değişen Varyans (GARCH) tipi modeller ve derin öğrenme (DL) algoritmaları kullanarak en yaygın olarak işlem gören üç kripto para biriminin volatilite davranışını kapsamlı bir şekilde incelemekte ve modellerin öngörümleme performanslarını karşılaştırmaktadır. Bu çalışmada en iyi modeli seçmek amacıyla, Bitcoin (BTC), Ethereum (ETH) ve Binance Coin (BNB) gibi yaygın olarak işlem gören üç kripto para biriminin volatiliteleri modellenmiştir. Ayrıca, kripto para piyasasında öngörü doğruluğu üzerinde etkili olan kayan ve genişleyen pencere kullanımı, gerçekleşen volatilite formülü ve eğitim-test kümesi oranı gibi etkenler incelenmektedir. Farklı pencere boyutlarının seçilmesinin nedeni, kripto para birimlerinin yapısal kırılmalara izin veren durağan olmayan yapısından kaynaklanmaktadır. Toplamda 61,722 model uygulanmış ve sonuçlar ortalama karesel hata (MSE), ortalama mutlak yüzde hata (MAPE), heteroskedastisite düzeltmeli ortalama karesel hata (HMSE), quasi-like (QLIKE) ve ortalama mutlak ölçekli hata (MASE) olmak üzere beş kayıp fonksiyonu kullanılarak değerlendirilmiştir. Elde edilen bulgular, seçilen kayıp fonksiyonu veya gerçekleşen volatilite formülüne bağlı olarak en iyi modelin değişebileceğini, ancak genel olarak DL algoritmalarının GARCH modellerinden daha iyi performans gösterdiğini göstermektedir.