Yazar
Altok, Ceren
Basım Tarihi
2024-08-30T14:23:41Z
Konu
Portföy yönetimi, Matematiksel modeller, Finansal hizmetler sektörü, Teknolojik yenilikler, Kripto para birimleri, Makine öğrenimi, Takviyeli öğrenme, Veri bilimi
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
4fb93cd6-c04a-47de-a9a2-14e731890205
Lokasyon
Veri Bilimi Bölümü
Tarih
2024-08-30T14:23:41Z
Örnek Metin
Kripto dünyasının oynaklığı ve merkezileşmesi gibi yatırımcılar arasında endişe yaratan tüm faktörlere rağmen, kripto para birimlerinin popülaritesi istikrarlı bir şekilde artmaya devam ediyor. Kripto para piyasası, geçmişte yaşadığı yüksek kâr seviyeleri nedeniyle birçok yatırımcı için hala cazibesini koruyor. Çok sayıda altcoinin piyasaya girmesiyle birlikte portföy yönetimi çok daha zorlu hale geliyor. Literatürde kripto para birimleri için etkin portföy yönetimi teknikleri öneren çok sayıda çalışmaya rastlıyoruz. Bu çalışma, politika yinelemesi ve Q-öğrenme algoritmalarına dayalı olarak geliştirilen önerilen modelleri sunmaktadır. Q-öğrenme kapsamında üç farklı alt model tanıtılmıştır: Deep Q-Network (DQN), Double Deep Q-Network (DDQN) ve Double Dueling Q Network (DDDQN). Bu modellerin tamamı 6 aylık eğitim periyotları kullanılarak eğitilmiş ve 10 farklı eğitim ve test periyodu kullanılarak karşılaştırılmıştır. Ayrıca önerilen politika yinelemesini ve Q-öğrenme modellerini değerlendirmek için her algoritma için temel modeller oluşturuldu ve önerilen modellerin performansı bu temel modellere göre değerlendirildi. Sonuçlar, Politika Yineleme modelleri arasında önerilen modelin %3 ile en yüksek ortalama yatırım getirisi değerine sahip olduğunu ve bu da onu en iyi performans gösteren model haline getirdiğini göstermektedir. Benzer şekilde, Q-öğrenme modelleri arasında önerilen DQN modeli, ortalama %2'lik yatırım getirisi değeriyle hem temel modelleri hem de diğer Q-öğrenme modellerini geride bırakıyor. Tüm modeller dikkate alındığında, önerilen Policy Iteration modeli en yüksek ortalama ROI değerine ulaşırken, önerilen DQN ve önerilen DDDQN modeli ROI standart sapmaları açısından en düşük volatiliteyi göstermektedir. öyle. Kripto para piyasasında, geç saatlere kadar yüksek kar seviyeleri sıralamasında bir çok yatırımcı için hala cazibesini korumaktadır. Dünyanın bir çok alternatif kripto para biriminin piyasaya girmesiyle, portfoy yonetimi çok daha zorlu hale geliyor. Literat¨urde, kripto portföylerini verimli bir şekilde y¨onetmek i¸cin¸onerilen bir¸çok¸calı¸sma bulunmaktadır. Bu¸calı¸sma, Policy Iteration ve Q-learning programlarından t¨üretilen yeni model¨onerileri sunmaktadır. Q-learning altında Deep Q-Network (DQN), Double Deep Q-Network (DDQN) ve Double Dueling Q-Network (DDDQN) olmak üzere ¨uzere ¨u¸c farklı alt model tanıtılmaktadır. Bu modellerin hepsi, 6 aylık e˘gitim d¨onemleri kullanılarak e˘gitilmi¸stir ve 10 farklı e˘gitim ve test d¨onemi kullanılarak kar¸sıla¸stırmalar yapılmıstır. Ayrıca, hem onerilen politika iterasyonu hem de onerilen Q-learning modellerini de˘gerlendirebilmek i¸cin iki indirme i¸cin de basit referans modelleri olu¸sturulmu¸s ve onerilen model de˘gerlendirmeleri bu referans modelleri kul lanılarak yapılmamıstır. Sonuclara gore, onerilen Policy Iteration modeli Policy Iteration modelleri arasinda %3 ortalama ROI de˘geri ile en iyi modeldir. Benzer şekilde, “onerilen Q-learning modları arasında DQN modeli, hem referans modeli hem de diğer Q-learning mod ellerinde %2 ortalama ROI de˘geri ile geride bırakılmaktadır. Tüm modelleri dikkate alındı˘gımızda, onerilen Politika ˙Iterasyonu modelinin en yuksek ortalama ROI de˘gerine sahip oldu˘gunu, ¨onerilen DQN ve DDDQN modellerinin ise ROI standart sapması acısından en d¨u¸s¨uk volatiliteye sahip oldukgunu g¨ormekteyiz.
