2026-10-29T21:47:21Zhttps://munzur-rdlopen.rawdatalibrary.net/oai/requestoai:munzur-rdlopen.rawdatalibrary.net:munzur/69462026-10-28T15:36:15Zopenairedrivercom_munzur_9col_munzur_10Kripto para fiyat analizi için makine öğrenme yaklaşımlarıMachine learning approaches for cryptocurrency price analysisİrem Sevda İnceDr. Öğr. Üyesi Yusuf ÇelikBu çalışma, finansal zaman serilerinin kısa vadeli tahmini amacıyla çeşitli veri yapıları ve model konfigürasyonlarının kapsamlı bir değerlendirmesini sunmakta; teknik göstergelerle zenginleştirilmiş Long Short-Term Memory (LSTM) tabanlı bir derin öğrenme modeli önermektedir. Model, saatlik ve dakikalık çözünürlükte yapılandırılmış veri setleri kullanılarak, fiyat-hacim bilgileri ile teknik analiz göstergelerinin ayrı girişler olarak işlendiği farklı senaryolar altında test edilmiştir. Ayrıca LSTM, GRU ve BiLSTM mimarileri; MSE, MAE, Huber ve büyük hataları daha fazla cezalandıracak şekilde tasarlanmış özel bir ağırlıklı kayıp fonksiyonu ile değerlendirilmiştir. Deneysel sonuçlar, teknik göstergelerle desteklenen LSTM modelinin hem fiyat hareketlerinin yönünü hem de büyüklüğünü doğru şekilde tahmin etmede yüksek performans sergilediğini göstermektedir. Bu çalışma, derin öğrenme tabanlı finansal tahmin bağlamında farklı veri türleri ve modelleme stratejilerini birlikte ele alan bütüncül çerçevesiyle literatüre anlamlı bir katkı sunmaktadır.This study offers a thorough examination of various data formats and model setups for the short-term prediction of financial time series, presenting a deep learning framework based on Long Short-Term Memory (LSTM) enriched with technical indicators. The proposed model was tested on datasets prepared at both hourly and minute-level resolutions, where price-volume features and technical indicators were fed into the network through distinct input paths. Moreover, different model architectures namely LSTM, GRU, and BiLSTM were evaluated in combination with multiple loss functions including MSE, MAE, Huber, and a specially designed weighted loss function that applies stronger penalties to larger errors. The experimental findings indicate that the LSTM model, when supported by technical indicators, achieves high accuracy in predicting both the trend direction and magnitude of price movements. This research makes a valuable contribution to the field by adopting a holistic approach that integrates diverse data types and modeling strategies within the scope of deep learning-based financial forecasting.Munzur University2025Master Thesishttps://rdlopen.rawdatalibrary.net/r/munzur/6946trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://munzur-rdlopen.rawdatalibrary.net/tr/items/munzur/6946