Kripto para fiyatlarının tahmininde gri sistem teorisi: Yöntemsel karşılaştırma

Abstract

2008 yılında temelleri atılmış olan Kiripto para kavramı, 2017 yılı Aralık ayı itibari ile 19.060 ABD dolarına ulaşmış ve tanınırlığını arttırmıştır. Bitcoin ve sayıları 2700’ü bulan diğer kripto paralar hızlı kazanç elde etmek isteyen yatırımcıların dikkatini çekmeyi başarmıştır. Bu kapsamda kripto paraların fiyatının nasıl ve ne yönde değişeceği birçok kesim tarafından araştırma konusu olmuştur. Bu çalışmanın amacı, Bitcoin, Ethereum, IOTA ve Ripple gibi farklı altyapısal özellikleri olan kripto paraların gelecek fiyatını geçmişte gerçekleşen fiyatlardan hareketle tahmin etmektir. Çalışmada Deng Ju-Long tarafından 1980’li yıllarda ortaya atılan gri sistem teorisi ile fiyat tahminlemesi yapılmıştır. Çalışmada kullanılan geçmiş fiyatlar 11 günlük süreci kapsamaktadır. Literatüre göre kısa sayılabilecek bu süre modelin diğer modellere görece üstünlüğünü göstermektedir. Elde edilen sonuçlara göre GM(1,1) model ve Rolling-GM(1,1) model sonuçlarının birbirine çok yakın hata oranlarıyla tahmin yaptıkları ve yapılan tahminlere ait hata oranlarının çok düşük olduğu görülmüştür.

The concept of cryptocurrencies, the foundations of which were laid in 2008, reached $ 19,060 as of December 2017 and increased its recognition. Bitcoin and other cryptocurrencies, the number of which reaches 2700, managed to attract the attention of investors who want to make a quick profit. In this context, how and how the price of cryptocurrencies will change has been the subject of research by many segments. The aim of this study is to predict the future price of cryptocurrencies with different infrastructural features such as Bitcoin, Ethereum, IOTA and Ripple, based on the prices of the past. In the study, price estimation was made with the grey system theory introduced by Deng Ju-Long in the 1980s. The past prices used in the study cover the 11- day process. This period, which can be considered short according to the literature, shows the superiority of the model over other models. According to the results obtained, it was seen that GM(1,1) model and Rolling-GM(1,1) model results predicted with very similar error rates and the error rates of the predictions were very low.