Çelik, Yusuf; İnce, İrem Sevda

This study investigates short-term cryptocurrency price forecasting using deep learning methods. Minute-level price and volume data for BTC/USDT and ETH/USDT trading pairs were obtained through the Binance API and analyzed under different temporal resolutions, including hourly and 15-minute forecasting scenarios. Recurrent neural network architectures, including LSTM, GRU, and BiLSTM, were evaluated using different loss functions to identify effective configurations for short-term forecasting. Experimental results show that deep learning models can achieve high forecasting accuracy for high-frequency cryptocurrency data. In particular, the LSTM model trained with a weighted loss function demonstrated strong and stable prediction performance. In addition, incorporating technical indicators as auxiliary features enriched the feature space and improved forecasting capability. The results also suggest that aligning the temporal resolution of technical indicators with the prediction frequency can further enhance model performance. Overall, the proposed framework provides an effective deep learning–based approach for short-term cryptocurrency price forecasting in high-frequency financial markets.

İncele

İrem Sevda İnce

Bu 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.