Ethereum Fiyat Tahmininde Veri Ölçekleme Yöntemlerinin Rolü: Makine Öğrenmesi Modelleri ile Bir Araştırma

Authors : Mehmet Çınar, Muhammet Apak

Pages : 82-94

View : 110 | Download : 276

Publication Date : 2025-11-30

Article Type : Research Paper

Abstract :Bu çalışma, Ethereum (ETH) fiyat tahmininde farklı veri ölçekleme yöntemlerinin makine öğrenmesi modelleri üzerindeki etkisini kapsamlı şekilde incelemektedir. Çalışmada, geleneksel yöntemler olan MinMaxScaler, StandardScaler, RobustScaler, Quantile Transformer\\\'ın yanı sıra volatiliteye duyarlı özel bir ölçekleyici olan VolatilityScaler kullanılmış ve bu ölçekleyiciler, SVM, KNN, ANN, LSTM ve CNN modelleriyle sistematik olarak test edilmiştir. 2018–2025 yılları arasında Binance API üzerinden elde edilen saatlik ETH fiyat verileri kullanılmış, veri seti teknik göstergelerle zenginleştirilmiş ve Polars kütüphanesi ile ön işleme tabi tutulmuştur. Çalışmada, ölçekleme yöntemlerinin yalnızca model hata oranlarını (Ortalama Kare Hata – MSE, Ortalama Mutlak Hata – MAE) değil, aynı zamanda modelin açıklayıcılığını (R²) doğrudan etkilediği gözlemlenmiştir. Elde edilen bulgulara göre; MinMaxScaler, Destek Vektör Regresyonu (Support Vector Regression, SVR) ve K-En Yakın Komşu (K-Nearest Neighbors, KNN) modellerinde en düşük hata oranlarını sağlamış; Çeyrek Dönüşüm Ölçekleyici (Quantile Transformer) ise Konvolüsyonel Sinir Ağı (Convolutional Neural Network, CNN) modelinde en yüksek açıklayıcılığa ulaşmıştır (R² = 0.9320). Uzun-Kısa Süreli Bellek (Long Short-Term Memory, LSTM) modellerinde ise MinMaxScaler ile test MSE değeri 0.0005’e kadar düşmüş ve yüksek doğruluk sağlanmıştır. VolatilityScaler yöntemi, bazı modellerde başarılı sonuçlar üretmiş olsa da genelleme performansı açısından sınırlı kalmıştır. Bu sonuçlar, kripto para piyasası gibi yüksek volatiliteye sahip alanlarda ölçekleme stratejisinin yalnızca ön işleme değil, aynı zamanda model başarısı üzerinde belirleyici bir faktör olduğunu ortaya koymaktadır. Çalışma, özellikle ölçekleyici-model etkileşimini bütüncül biçimde ele alması ve yeni bir ölçekleme yöntemi sunması açısından literatüre özgün katkı sağlamaktadır.
Keywords : Ethereum, Makine Öğrenmesi, Veri Ölçekleme

ORIGINAL ARTICLE URL