Seçili Kripto Paralarda Kümeleme Analizi

İlker İ. Avşar; Zehra Vildan Serin

TR EN

Seçili Kripto Paralarda Kümeleme Analizi

Öz

Para, günlük hayatımızda çok önemli bir yere sahiptir. Günümüze kadar çok farklı para türleri kullanılmıştır. İçinde bulunduğumuz yüzyılda dünya çapında yaygın olarak kullanılan paralar çoğunlukla merkezi bir modelin ürünüdür. 2009 yılından itibaren dağıtık bir mimariye sahip olan blok zinciri teknolojisi ile inşa edilmiş kripto paralar finans sektöründe yerini almıştır. Nispeten yeni olan bu para birimleri konusunda pek çok tereddütler yaşanmaktadır. Kripto para kümeleme çalışmaları, kripto paralar hakkında yapılacak tahmin çalışmalarında kullanılabilecek yöntemlerden biridir. Çok değişkenli bir analiz türü olan kümeleme analizi, birbirine benzeyen verilerin sınıflandırılmasında kullanılabilir. Kümeleme analizi, bir konu ile ilgili verileri gruplama işlemidir. Kümeleme analizinde oluşan her kümenin kendi içerisinde benzerliği yüksek olmasına karşın diğer kümeler ile benzerliği düşük seviyede olmalıdır. Bu çalışmada; piyasa değeri belirli bir büyüklüğe erişmiş (piyasa değeri açısından ilk 25’i oluşturan) kripto para fiyatlarının 1 saatlik, 24 saatlik ve 7 günlük değişim verilerine göre kümeleme yapılmıştır. Yapılan kümelemede 6 seviye oluşmuştur. En alt seviye sonucuna göre birbirine en çok benzeyen kripto paralar NEO ile Ontology olmuştur.

Anahtar Kelimeler

Kripto para,kümeleme analizi,veri madenciliği

Kaynakça

Adana Karaağaç, G.,ve Altınırmak, S. (2018). En Yüksek Piyasa Değerine Sahip On Kripto Paranın Birbirleriyle Etkileşimi. Muhasebe ve Finansman Dergisi, 123-136. doi:DOI: 10.25095/mufad.438852
Aggarwal, S., Chaudhary, R., Aujla, G. S., Kumar, N., Choo, K.-K. R., & Zomaya, A. Y. (2019). Blockchain for smart communities: Applications, challenges and opportunities. Journal of Network and Computer Applications, 144(15), 13-48. doi:https://doi.org/10.1016/j.jnca.2019.06.018
Akın, B. H.,ve Eren, Ö. (2012). Oecd Ülkelerinin Eğitim Göstergelerinin Kümeleme Analizi Ve Çok Boyutlu Ölçekleme Analizi İle Karşılaştırmalı Analizi. Öneri Dergisi, 175-181.
Al-Yahyaee, K. H., Mensi, W., Al-Jarrah, I. M., Hamdi, A.,ve Kang, S. H. (2019). Volatility forecasting, downside risk, and diversification benefits of Bitcoin and oil and international commodity markets: A comparative analysis with yellow metal. The North American Journal of Economics and Finance, 49, 104-120. doi:https://doi.org/10.1016/j.najef.2019.04.001
Aşan, Z. (2007). Kredi Kartı Kullanan Müşterilerin Sosyo Ekonomik Özelliklerinin Kümeleme Analiziyle İncelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 17, 256-267. https://dergipark.org.tr/tr/pub/dpusbe/issue/4759/65384
Ballis, A.,ve Drakos, K. (2019). Testing for herding in the cryptocurrency market. Finance Research Letters, 1-5. doi:https://doi.org/10.1016/j.frl.2019.06.008
Berberoğlu, B. (2011). 2008 global krizinin Türkiye ve Avrupa Birliği'ndeki etkilerinin kümeleme analizi ile incelenmesi. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 11(1), 105–130.
Borri, N. (2019). Conditional tail-risk in cryptocurrency markets. Journal of Empirical Finance, 50, 1-19. doi:https://doi.org/10.1016/j.jempfin.2018.11.002

Bouri, E., Roubaud, D.,ve Shahzad, S. J. (2019). Do Bitcoin and other cryptocurrencies jump together? The Quarterly Review of Economics and Finance, 1-14. doi:https://doi.org/10.1016/j.qref.2019.09.003
Casino, F., Dasaklis, T. K.,ve Patsakis, C. (2019). A systematic literature review of blockchain-based applications: Current status, classification and open issues. Telematics and Informatics, 36, 55-81. doi:https://doi.org/10.1016/j.tele.2018.11.006
Charfeddine, L., Benlagha, N.,ve Maouchi, Y. (2019). Investigating the dynamic relationship between cryptocurrencies and conventional assets: Implications for financial investors. Economic Modelling. doi:https://doi.org/10.1016/j.econmod.2019.05.016
Cirrincione, G., Ciravegna, G., Barbiero, P., Randazzo, V.,ve Pasero, E. (2020). The GH-EXIN neural network for hierarchical clustering. Neural Networks, 121, 57-73. doi:https://doi.org/10.1016/j.neunet.2019.07.018
Corbet, S., Cumming, D. J., Lucey, B. M., Peat, M.,ve Vigne, S. A. (2019). The destabilising effects of cryptocurrency cybercriminality. Economics Letters, 108741.
Dash, M., Liu, H., Scheuermann, P.,ve Tan, K. L. (2003). Fast hierarchical clustering and its validation. Datave Knowledge Engineering, 44(1), 109-138. doi:https://doi.org/10.1016/S0169-023X(02)00138-6
Everitt, B. S. (1979). Unresolved Problems in Cluster Analysis. Biometrics, 35(1), 169-181. https://www.jstor.org/stable/2529943 Fluctuations and the Use of Bitcoin: An Empirical Inquiry. International Journal of Electronic Commerce, 20(1), 9-49. doi:https://doi.org/10.1080/10864415.2016.1061413
Gan, G., Ma, C.,ve Wu, J. (2007). Data Clustering: Theory, Algorithms, and Applications. SIAM. Glaser, F., Zimmermann, K., Haferkorn, M., Weber, M. C.,ve Siering, M. (2014). Bitcoin - Asset or Currency? Revealing Users' Hidden Intentions. ECIS. Tel Aviv. https://ssrn.com/abstract=2425247
Gil-Alana, L. A., Abakah, E. J.,ve Rojo, M. F. (2020). Cryptocurrencies and stock market indices. Are they related? Research in International Business and Finance, 51, 1-11. doi:https://doi.org/10.1016/j.ribaf.2019.101063
Govender, P.,ve Sivakumar, V. (2019). Application of k-means and hierarchical clustering techniques for analysis of air pollution: a review (1980-2019). Atmospheric Pollution Research, 1-68. doi:https://doi.org/10.1016/j.apr.2019.09.009
Jafarzadegan, M., Safi-Esfahani, F.,ve Beheshti, Z. (2019). Combining hierarchical clustering approaches using the PCA method. Expert Systems with Applications, 137(15), 1-10. doi:https://doi.org/10.1016/j.eswa.2019.06.064
Jain, A. K., Murty, M. N.,ve Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys, 31(3), 264-323. doi:10.1145/331499.331504
Klarin, A. (2020). The decade-long cryptocurrencies and the blockchain rollercoaster: Mapping the intellectual structure and charting future directions. Research in International Business and Finance, 1-16. doi:https://doi.org/10.1016/j.ribaf.2019.101067
Kindhi, B. A., Sardjono, T. A., Purnomo, M. H.,ve Verkerke, G. J. (2019). Hybrid K-means, fuzzy C-means, and hierarchical clustering for DNA hepatitis C virus trend mutation analysis. Expert Systems with Applications, 121, 373-381. doi:https://doi.org/10.1016/j.eswa.2018.12.019
Muzammal, M., Qu, Q.,ve Nasrulin, B. (2019). Renovating blockchain with distributed databases: An open source system. Future Generation Computer Systems, 90, 105-117. doi:https://doi.org/10.1016/j.future.2018.07.042
Nakamoto , S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. Bitcoin: https://bitcoin.org/bitcoin.pdf
Polasik, M., Piotrowska, A. I., Wisniewski, T. P., Kotkowski , R.,ve Lightfoot, G. (2015). Price Fluctuations and the Use of Bitcoin: An Empirical Inquiry. International Journal of Electronic Commerce, 20, 9-49. https://doi.org/10.1080/10864415.2016.1061413
Samarasinghe, T., Gunawardena, T., Mendis, P., Sofi, M.,ve Aye, L. (2019). Dependency Structure Matrix and Hierarchical Clustering based algorithm for optimum module identification in MEP systems. Automation in Construction, 104, 153-178. doi:https://doi.org/10.1016/j.autcon.2019.03.021
Sandal, E. K. (2009). Sosyo-Ekonomik Kriterler Bakımından Türkiye, Doğu Avrupa Ve Kafkas Ülkelerinin Karşılaştırılması. Doğu Coğrafya Dergisi, 14(22), 89-106.
Shahzad, S. J., Bouri, E., Roubaud, D., Kristoufek, L.,ve Lucey, B. (2019). Is Bitcoin a better safe-haven investment than gold and commodities? International Review of Financial Analysis, 63, 322-330. doi:https://doi.org/10.1016/j.irfa.2019.01.002
Song, J. Y., Chang, W.,ve Song, J. W. (2019). Cluster analysis on the structure of the cryptocurrency market via Bitcoin–Ethereum filtering. Physica A: Statistical Mechanics and its Applications, 527, 121339. doi:https://doi.org/10.1016/j.physa.2019.121339
Tekin, B. (2015). Temel Sağlık Göstergeleri Açısından Türkiye’deki İllerin Gruplandırılması: Bir Kümeleme Analizi Uygulaması. Çankırı Karatekin Üniversitesi İİBF Dergisi, 5(2), 389-416. https://dergipark.org.tr/tr/pub/ckuiibfd/issue/32905/365558
Thakur, V., Doja, M. N., Dwivedi, Y. K., Ahmad, T.,ve Khadanga, G. (2019). Land records on Blockchain for implementation of Land Titling in India. International Journal of Information Management, 1-9. doi:https://doi.org/10.1016/j.ijinfomgt.2019.04.013
Tiwari, A. K., Adewuyi, A. O., Albulescu, C. T.,ve Wohar, M. E. (2019). Empirical evidence of extreme dependence and contagion risk between main cryptocurrencies. The North American Journal of Economics and Finance, 101083. doi:https://doi.org/10.1016/j.najef.2019.101083
Turanlı, M., Özden, Ü. H.,ve Türedi, S. (2006). Avrupa Birliği'ne aday ve üye ülkelerin ekonomik benzerliklerinin kümeleme analiziyle incelenmesi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 5(9), 95-108.
Wang, K. (2019). Power System Critical Cutset Identification based on Rolling Double Level Hierarchical Clustering. Energy Procedia, 159, 148-153. doi:https://doi.org/10.1016/j.egypro.2018.12.033
Wei, W., Liang, J., Guo, X., Song, P.,ve Sun, Y. (2019). Hierarchical division clustering framework for categorical data. Neurocomputing, 341, 118-134. doi:https://doi.org/10.1016/j.neucom.2019.02.043
Yılmaz, Ö.,ve Temurlenk , S. M. (2005). Türkiye'deki İstatistik Bölgelerin Kışı Başına Düşen Gelir Açısından Hiyerarşik Ve Hiyerarşik Olmayan Kümeleme Analizi İle Değerlendirilmesi: 1965-2001. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 19(2), 75 - 92. https://dergipark.org.tr/tr/pub/atauniiibd/issue/2688/35321
Yu, W. (2019). A mathematical morphology based method for hierarchical clustering analysis of spatial points on street networks. Applied Soft Computing, 85, 1-18. doi:https://doi.org/10.1016/j.asoc.2019.105785
Zeitsch, P. J. (2019). Ajumpmodelforcreditdefaultswapswithhierarchicalclustering. Physica A: Statistical Mechanics and its Applications, 524, 737-775. doi:https://doi.org/10.1016/j.physa.2019.04.255
Zhang, L., Li, H., Yu, Y., Au, M. H.,ve Wang, B. (2019). An efficient linkable group signature for payer tracing in anonymous cryptocurrencies. Future Generation Computer Systems, 101, 29-38. doi:https://doi.org/10.1016/j.future.2019.05.081
Zięba, D., Kokoszczyński, R.,ve Śledziewska, K. (2019). Shock transmission in the cryptocurrency market. Is Bitcoin the most influential? International Review of Financial Analysis, 64, 102-125. doi:https://doi.org/10.1016/j.irfa.2019.04.009
İnternet Kaynakları
11.14, 2019 tarihinde Coinmarketcap: https://coinmarketcap.com/
Hierarchical Clustering. 8 21, 2019 tarihinde rdocumentation: https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/hclust

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Konferans Bildirisi

Yazarlar

İlker İ. Avşar ^*
0000-0003-2991-380X
Türkiye

Zehra Vildan Serin
Türkiye

Yayımlanma Tarihi

30 Nisan 2020

Gönderilme Tarihi

10 Ocak 2020

Kabul Tarihi

24 Nisan 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: 5 Sayı: 1

IZ

https://izlik.org/JA44WG69KP

Kaynak Göster

RIS / Bibtex

APA

Avşar, İ. İ., & Serin, Z. V. (2020). Seçili Kripto Paralarda Kümeleme Analizi. Türk Sosyal Bilimler Araştırmaları Dergisi, 5(1), 41-52. https://izlik.org/JA44WG69KP

Seçili Kripto Paralarda Kümeleme Analizi

Seçili Kripto Paralarda Kümeleme Analizi

Öz

Anahtar Kelimeler

CLUSTERING ANALYSIS OF SELECTED CRYPTOCURRENCIES

Abstract

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

IZ

Kaynak Göster