Mehmet YILAMZ, Okan DAĞ, TURAN KOCABIYIK

Güncel Gelişmeler Işığında Kripto Paraların Kümelenmes

Kripto para piyasası son on yıllık dönemde sürekli büyüme içerisindedir. Kripto paraların piyasa değeri 216 milyar dolar ve günlük işlem hacimleri 154 milyar dolardır. Sayıları 5 bini geçen kripto paralar içinde %64’lük piyasa payıyla Bitcoin başı çekmektedir. Her ne kadar işlem hacmi belli bir büyüklüğe ulaşsa da piyasa ile ilgili bilinmezlikler yatırımcılar için kafa karışıklığına neden olmaktadır. Bilinmezliklerin ortadan kaldırılması için bu konuda akademik çalışmalar yapılması gerektiği düşünülmektedir. Bu amaçla, bu araştırmada piyasada önemli büyüklüğe sahip kripto paralar çeşitli kriterlere göre kümelenmiştir.Araştırma piyasa değerine göre en büyük ve verilerine ulaşılabilen 17 kripto para ile gerçekleştirilmiştir. Tüm kripto paralar için verilerinulaşılabildiği en geniş tarih aralığı analize dahil edilmeye çalışılmıştır. Bu kapsamda 20 Haziran 2019 ile 02 Nisan 2020 tarihleri arasındaki günlük veriler kullanılmıştır. Kümeleme kriteri olarak kripto paraların adres sayıları, piyasa değerleri, fiyatları, getirileri, arz miktarı, işlem sayısı, işlem hacmi ve volatiliteleri kullanılmıştır. WEKA programında kümeleme analizinin gerçekleştirilebilmesi için bağımsız değişenlerin bu tarih aralığındaki ortalamaları alınmıştır. Analiz gerçekleştirilirken veriler tüm veri seti, korona öncesi ve korona sonrası şeklinde 3 döneme ayrılmıştır. Böylece korona virüs döneminde kripto para piyasasında yapısal değişimlerin olup olmadığı gözlemlenmiştir. Kümeleme analizi yapılırken, hiyerarşik kümeleme algoritmalarından Ward, Tam Bağlantı ve Tek Bağlantı teknikleri kullanılmıştır. Çalışmanın sonuçlarına bakıldığında tüm algoritmalar tüm dönemlerde Bitcoin’i diğer kripto paralardan ayrı kümelemiştir. Çok belirgin bir bitcoin, altcoin ayrımı yapılmıştır. Yine üç algoritmaya göre; Korona virüs öncesi ve Korona sonrası dönemlerde kümeleme sonuçlarında önemli bir fark yoktur. Üç algoritmada genel itibarıyla benzer sonuçlar vermiştir.

Cluster of Cryptocurrencies in The Light of Current Developments

The cryptocurrency market has been in constant growth over the past decade. Cryptocurrencies have a market value of $ 216 billion and daily trading volumes of $ 154 billion. Bitcoin takes the lead among 64 cryptocurrencies with a market share of 64%. Although the transaction volume reaches a certain size, market uncertainties cause confusion for investors. It is thought that academic studies should be carried out on this subject in order to eliminate the uncertainties. For this purpose, in this research, cryptocurrencies that have a significantsize in the market are clustered according to various criteria.The research was carried out with 17 cryptocurrencies, the largest of which is available, according to market value. The widest date range in which data is available for all cryptocurrencies has been tried to be included in the analysis. In this context, daily data between 02 April 2020 and 20 June 2019 were used. Cryptocurrencies address numbers, market values, prices, returns, supply amount, number of transactions, transaction volume and volatility were used as cluster criteria. In order to perform cluster analysis in WEKA program, the averages of the independent variables in this date range were taken. While performing the analysis, the data was divided into 3 periods as whole data set, before and after corona. Thus, it was observed whether there were any structural changes in the crypto money market during the corona virus period. While performing cluster analysis, Ward, Full Connection and Single Connection techniques, one of the hierarchical clustering algorithms, were used. Considering the results of the study, all algorithms clustered Bitcoin separately from other cryptocurrencies in all periods. A very distinct bitcoin, altcoin distinction is made. Again according to three algorithms; there is no significant difference in cluster results before and after corona virus. In terms of clustering cryptocurrencies, it generally yielded similar results in three algorithms.

PDF

___

Adjepong, M. O. & Alagidede, I. P. (2019). Multiresolution analysis and spillovers of major cryptocurrency markets. Research in International Business and Finance, 49, 191-206.
Akçalı, B. Y. & Şişmanoğlu, E. (2019). Kripto para birimleri arasındaki ilişkinin Toda-Yamamoto nedensellik testi ile analizi. Ekev Akademi Dergisi, 23(78), 99-122.
Arsov, A. (2018). Periodic table of cryptocurrencies: blockchain categorization. SSRN Electronic Journal, 1-20.
Akın, Y. K. (2008). Veri madenciliğinde kümeleme algoritmaları ve kümeleme analizi. Yayınlanmamış doktora tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü.
Albayrak, A. & Yılmaz, Ş.K. (2009). Veri madenciliği: karar ağaçları ve İMKB verileri üzerine bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
Almeida, J. A. S., Barbosa, L. M. S., Pais, A. A. C. C. & Fornosinho, S. J. (2007). Improving hierarchical cluster analysis: a new method with outlier detection and automatic clustering. Chemometrics and Intelligent Laboratory Systems, 87, 208–217.
Arı, E. S., Özköse, H., Doğan, A. & Calp, M. H. (2016). İstanbul Borsası’nda işlem gören firmaların finansal performanslarının kümeleme analizi ile değerlendirilmesi. Bilişim Teknolojileri Dergisi, 9(1), 33.39.
Avrupa Merkez Bankası, (2012). Virtual currency schemes.
Baig, A., Blau, B. M. & Sabah, N. (2019). Price clustering and sentiment in bitcoin. Finance Research Letters, 29, 111-116.
Baig, A. S. & Sabah, N. (2019). Does short selling affect the clustering of stock prices?, The Quarterly Review of Economics and Finance, 1-8.
Blau, B. M. & Griffith, T. G. (2016). Price clustering and the stability of stock prices. Journal of Business Research, 69, 3933-3942.
Bouri, E., Shahzad, S. J. H. & Roubaud, D. (2019). Co-explosivity in the cryptocurrency market. Finance Research Letters, 29, 178-183.
Ciaian, P., Rajcaniova, M. & Kancsa, A. (2018). Virtual relationships: short-and long-run evidence from bitcoin and altcoin markets. Journal of International Financial Markets, Institutions and Money, 52, 173-195.
Çakmak, Z., Uzgören, N. & Keçek, G. (2005). Kümeleme analizi teknikleri ile illerin kültürel yapılarına göre sınıflandırılması ve değişimlerinin incelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 1-21.
Çalış, A. & Baynal, K. (2016). Kümeleme analizi ile bankacılık sektöründe satış stratejilerinin belirlenmesi. Beykent Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 9(1), 13-41.
Downs, G.M. & Barnard, J.M. (2002). Clustering methods and their uses in computational chemistry, in: K.B. Lipkowitz, D.B. Boyd (Eds.). Reviews in Computational Chemistry, Vol: 18, Wiley, United Kingdom, 1-40.
Everitt, B. S., Landau, S., Leese, M. & Stahl, D. (2011). Cluster analysis 5th edt, A John Wiley and Sons, Publication.
Farell, R. (2015). An analysis of the cryptocurrency ındustry. Wharton Research Scholars.
Fisher, L. & Ness, J. W. (1971). Admissible clustering procedures. Biometrika, 58, 91–104.
Gazel, S. & Akel, V. (2018). Borsa İstanbul’ da sektör sınıflandırmasının kümeleme analizi ile belirlenmesi. Muhasebe ve Finansman Dergisi, Ocak, 147-164.
Hartigan, J. (1981). Consistency of single linkage for high-density clusters. Journal of The American Statistical Assocation, 76, 388-394.
Hu, B., McInish, T., Miller, J. & Zeng, L. (2019). Intraday price behavior of cryptocurrencies. Finance Research Letters, 28, 337-342.
Kalfa, V. R. & Bekçioğlu, S. (2013). İMKB’de işlem gören gıda, tekstil ve çimento sektörü şirketlerinin finansal oranlar yardımıyla kümelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, EYİ 2013 Özel Sayısı, 441-464.
Karaağaç, G. A. & Altınırmak, S. (2018). En yüksek piyasa değerine sahip on kripto paranın birbirleriyle etkileşimi. Muhasebe ve Finansman Dergisi, 79, 123-138.
Karabayır, M. E. & Doğanay, M. (2010). Kümeleme analizi ile portföy seçimi: İMKB-100 endeksi üzerine bir çalışma. Ticaret ve Turizm Eğitim Fakültesi Dergisi, 2, 160-179.
Ketchen, D. & Shook, C. L. (1996). The application of cluster analysis in strategic management research: an analysis and critique. Strategic Management Journal, 17(6), 441-458.
Konuşkan, A., Teker, T., Ömürbek, V. & Bekci, İ. (2019). Kripto paraların fiyatları arasındaki ilişkinin tespitine yönelik bir araştırma. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(2), 311-318.
Koyuncugil, A. S. & Özgülbaş, N. (2006). İMKB’ de işlem gören KOBİ’ lerin finansal başarısızlığına etki eden faktörlerin veri madenciliği ile belirlenmesi. 3. KOBİ ve Verimlilik Kongresi, 17–18 Kasım.
Mishra, A. K. & Tripathy, T. (2018). Price and trade size clustering: evidence from the national stock exchange of India. The Quarterly Review of Economics and Finance, 68, 63-72.
Murtagh, F. & Contreras, P. (2017). Algorithms for hierarchical clustering: an overview II. WIREs Data Mining and Knowledge Discovery, 7(6), 1-16.
Osterrieder, J., Lorenz, J. & Strika, M. (2016). Bitcoin and cryptocurrencies-not for the faint-hearted. International Journal and Banking, 4(1), 56-94.
Sigaki, H. Y., Perc, M. & Ribeiro, H. V. (2019). Clustering patterns in efficiency and the coming-ofage of the cryptocurrency market. Scientific reports, 9(1), 1-9.
Smoliński, A., Walczak, B. & Einax, J.W. (2002). Hierarchical clustering extended with visual complements of environmental data set. Chemom. Intell. Lab. Syst. 64, 45–54.
Song, J. Y., Chang, W. & Song, J. W. (2019). Cluster analysis on the structure of the cryptocurrency market via bitcoin–ethereum filtering. Physica A, 527, 1-16.
Steinbach, M., Ertoz, L. & Kumar, V. (2003). Challenges of clustering in high dimensional data, University of Minnesota Supercomputing Institute Research Report, 213, 1–33.
Tekin, B. (2018). Ward, K-Ortalamalar ve İki Adımlı kümeleme analizi yöntemleri ile finansal göstergeler temelinde hisse senedi tercihi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(40), 401-436.
Urquhart, A. (2017). Price clustering in Bitcoin. Economics Letters, 159, 145-148.
Usta, A. & Doğantekin, S. (2018). Blockchain 101. İstanbul: Bankalararası Kart Merkezi.
Varin, T., Bureau, R., Mueller, C. & Willett, P. (2009). Clustering files of chemical structures using the Szekely–Rizzo generalization of Ward’s method. Journal of Molecular Graphics and Modelling 28, 187–195.
Vatansever, M. (2008). Görsel veri madenciliği tekniklerinin kümeleme analizlerinde kullanımı ve uygulanması. Yayınlanmamış yüksek lisans tezi, Yıldız Teknik Üniversitesi Fen Bilimler Enstitüsü.
Xin, L., Shenghong, L. & Chong, X. (2020). Price clustering in bitcoin market-an extension. Finance Research Letters, 32, 1-9.
Yılmaz, Ö. & Temurlenk, M. S. (2005). Türkiye’ deki istatistik bölgelerin kişi başına düşen gelir açısından hiyerarşik ve hiyerarşik olmayan kümeleme analizi ile değerlendirilmesi: 1965- 2001. Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(2), 75-92.
(2020, Nisan 26). CoinMarketCap: https://coinmarketcap.com/rankings/exchanges/
(2020, Nisan 26). CoinMetrics: https://coinmetrics.io/community-network-data/
(2020, Nisan 7). CoinMetrics: https://coinmetrics.io/community-network-data/
(2020, Nisan 5). New York Times: https://www.nytimes.com/2020/01/10/world/asia/china-viruswuhan- death.html

Turkish Studies - Economics, Finance, Politics-Cover

ISSN: 2667-5625
Yayın Aralığı: Yılda 4 Sayı
Başlangıç: 2006
Yayıncı: ASOS Eğitim Bilişim Danışmanlık Otomasyon Yayıncılık Reklam Sanayi ve Ticaret LTD ŞTİ