Hibrit Kripto Para Birimi Fiyat Tahmini: Egarch ve LSTM'yi Açıklanabilir Yapay Zeka ile Entegre Etmek

Abstract

Bu tez, Kriptopara piyasası, yüksek oynaklık ve spekülatif doğasıyla bilinen, doğru fiyat tahmininde bulunmayı zorlaştıran benzersiz zorluklar sunmaktadır. EGARCH gibi istatistiksel modeller, asimetrik oynaklık davranışlarını yakalamada başarılı olsa da, kriptopara verilerinde bulunan doğrusal olmayan bağımlılıkları anlamakta yetersiz kalmaktadır. Öte yandan, LSTM gibi derin öğrenme yöntemleri, mükemmel desen tanıma yetenekleri sergilemesine rağmen, finansal tahmin için gerekli istatistiksel titizliği sağlamamaktadır. Bu çalışmada, EGARCH'ın istatistiksel gücünü LSTM'nin derin öğrenmedeki üstün yetenekleriyle birleştiren, SHAP (SHapley Additive exPlanations) kullanılarak açıklanabilir yapay zeka (Explainable AI, XAI) stratejileriyle desteklenmiş bir hibrit çerçeve sunulmaktadır. Mevcut bağımsız modellerin eksikliklerini gidermek için, bu araştırma, tahmin doğruluğu ile açıklanabilirlik arasındaki boşluğu dolduran yorumlanabilir bir hibrit EGARCH LSTM modeli önermektedir. SHAP'ın entegrasyonu, model tahminini hangi değişkenlerin ne ölçüde etkilediğini görselleştirme imkânı sağlayarak, hem yatırımcılar hem de politika yapıcılar için yorumlanabilir ve güçlü bir tahmin mekanizması sunmaktadır. Hibrit yaklaşım, kıyaslama modellerine kıyasla daha doğru, sağlam ve yorumlanabilir bir performans sergilemektedir. Finansal tahmin tekniklerini geliştirerek ve öngörülemeyen kriptopara piyasasında gezinmek için sağlam bir araç sunarak, bu çalışma hem teorik hem de pratik değeri artırmaktadır. Ölçeklenebilirlik ve duygu analizi ile blokzincirine özgü metrikler gibi diğer gelişen teknolojilerle entegrasyon, modelin dayanıklılığını ve gerçek zamanlı yeteneklerini artırarak yüksek frekanslı ticaret ve piyasa altyapısının izlenmesi için yeni ufuklar açmaktadır.The cryptocurrency market known for its high volatility and speculative nature poses unique challenges in predicting accurate prices. Statistical models such as EGARCH perform well in capturing asymmetric volatility behaviours, but are unable to capture non-linear dependencies present in cryptocurrency data. Nonetheless, deep learning methods, like LSTM, provide excellent pattern matching but they are not statistically rigorous enough for financial prediction. In this study, we present a hybrid framework that unifies the statistical strength of EGARCH with the LSTM's excellent deep learning abilities, augmented by Explainable AI (XAI) strategies applying SHAP (SHapley Additive exPlanations). To overcome the shortcomings of the existing stand-alone models, the research proposes an interpretable hybrid EGARCH-LSTM model, thus bridging the gap between predictive accuracy and interpretability. The incorporation of SHAP allows for possibilities to visualize which variables have influenced the model prediction and to what extent, thus providing traders, investors, and policymakers alike with an interpretable and powerful forecasting mechanism. The hybrid approach showcases a more accurate, robust, and interpretable performance when evaluated against benchmark models. By improving financial forecasting techniques and providing a robust tool for navigating the unpredictable cryptocurrency market, this work adds both theoretical and practical value. Scalability alongside integration with other emerging technologies, including sentiment analysis and blockchain-specific metrics, adds to the model's robustness and real-time capabilities, opening new frontiers for high-frequency trading and market infrastructure monitoring.