Bu yazı, Decentraland ekosistemindeki MANA tokeni için topluluk duyarlılığı ile fiyat tahmini arasındaki ilişkiyi inceleyen akademik bir çalışmadan hazırlanmıştır. İncelenen çalışma, Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland’s MANA Token başlığını taşımaktadır.

Çalışmanın amacı, Decentraland Discord topluluğundaki mesajlardan elde edilen duyarlılık sinyallerinin, MANA token getirisini tahmin etmede fiyat verisine ek değer sağlayıp sağlamadığını ölçmektir. Bunun için RoBERTa tabanlı bir duyarlılık sınıflandırıcısı kullanılmış, ardından LSTM modelleriyle fiyat-only ve multi-modal tahmin yapıları karşılaştırılmıştır.

Bu içerik yatırım tavsiyesi değildir. Çalışma, Decentraland topluluk verisi ve MANA piyasa verisi üzerinde akademik bir tahmin deneyi sunar. Sonuçlar geçmiş veriye, belirli model varsayımlarına ve sınırlı veri dönemine dayanır. Bu nedenle doğrudan al-sat önerisi veya kesin piyasa tahmini olarak yorumlanmamalıdır.

Yeni bir akademik çalışma, Decentraland’ın MANA tokeni için Discord topluluk mesajlarını, fiyat, hacim ve piyasa değeriyle birleştirerek token getirisi tahmini yapmayı deniyor. Araştırmada RoBERTa tabanlı bir sentiment modeliyle Discord mesajları pozitif, nötr ve negatif olarak sınıflandırılıyor. Ardından fiyat-only LSTM modeli ile duyarlılık, hacim ve piyasa değerini de içeren multi-modal LSTM modeli karşılaştırılıyor. Bulgular, topluluk duyarlılığının tahmin hatasını azaltabildiğini gösteriyor; ancak negatif \(R^2\) değerleri, modelin MANA getirisindeki geniş piyasa oynaklığını hâlâ yeterince açıklayamadığını ortaya koyuyor.

Problem Ne?

Metaverse projeleri, yalnızca teknik platformlar değil, aynı zamanda toplulukların aktif biçimde etkileşim kurduğu dijital ekonomilerdir. Decentraland gibi sanal dünyalarda kullanıcılar dijital arazi, avatar, etkinlik, NFT ve yönetişim süreçleri etrafında sürekli iletişim kurar. Bu iletişimlerin bir kısmı, platforma yönelik güveni, memnuniyeti veya hayal kırıklığını yansıtabilir.

MANA tokeni, Decentraland ekosisteminde sanal varlık işlemleri ve yönetişimle ilişkili bir kripto varlıktır. Bu nedenle topluluk duyarlılığının token fiyatı veya getirisiyle ilişki taşıyıp taşımadığı önemli bir araştırma sorusudur.

Çalışmanın ana problemi şudur: Discord gibi topluluk kanallarından elde edilen duyarlılık sinyalleri, yalnızca fiyat geçmişine dayanan tahmin modellerinden daha iyi sonuç verebilir mi?

Bu soru özellikle metaverse ekonomileri için önemlidir. Çünkü bu tür projelerde fiyat hareketleri yalnızca makro kripto piyasasıyla değil, platform içi kullanıcı deneyimi, topluluk ilgisi, etkinlikler, teknik sorunlar ve yönetişim algısıyla da etkilenebilir.

Yöntem Ne Öneriyor?

Çalışma iki ana veri kaynağını birleştirir. İlk kaynak MANA tokenine ait günlük piyasa verileridir. Bu veriler açık, yüksek, düşük, kapanış fiyatı, işlem hacmi ve piyasa değeri gibi klasik finansal alanları içerir. İkinci kaynak ise Decentraland Discord topluluğundaki #general kanal mesajlarıdır.

Metinsel veriler için RoBERTa tabanlı bir sosyal medya duyarlılık modeli kullanılır. Her mesaj pozitif, nötr veya negatif duyarlılık etiketi alır. Daha sonra günlük duyarlılık skoru hesaplanır. Bu günlük skor, fiyat, hacim ve piyasa değeriyle birlikte multi-modal LSTM modeline verilir.

Çalışmada iki LSTM yaklaşımı karşılaştırılır:

Price-only baseline: Model yalnızca tipik fiyat bilgisini kullanır.

Multi-modal model: Model tipik fiyat, işlem hacmi, piyasa değeri ve günlük Discord duyarlılık skorunu birlikte kullanır.

Bu karşılaştırma, duyarlılık verisinin fiyat-only modele göre ek bilgi sağlayıp sağlamadığını test etmeyi amaçlar.

Formüller Ne Anlatıyor?

Çalışmadaki formüller, MANA fiyatının nasıl temsil edildiğini, getirinin nasıl hesaplandığını, Discord mesajlarından günlük duyarlılık skorunun nasıl üretildiğini ve LSTM tahmin modelinin temel yapısını gösterir.

1. Tipik fiyat

Çalışmada günlük fiyatı tek bir temsil değerine indirmek için tipik fiyat kullanılır:

Burada \(P_t^H\), gün içi en yüksek fiyatı; \(P_t^L\), gün içi en düşük fiyatı; \(P_t^C\), kapanış fiyatını ifade eder. Tipik fiyat, yalnızca kapanışa bakmak yerine gün içi fiyat aralığını daha yumuşatılmış biçimde temsil eder.

2. Sürekli getiri

Token getirisi, tipik fiyat üzerinden logaritmik getiri olarak hesaplanır:

Bu formül, iki ardışık gün arasındaki göreli fiyat değişimini ölçer. Log getiri kullanımı, finansal zaman serilerinde fiyat seviyelerini karşılaştırılabilir hale getirmek için yaygın bir yöntemdir.

3. Mesaj düzeyinde duyarlılık etiketi

Her Discord mesajı için model bir duyarlılık etiketi üretir:

Burada \(+1\) pozitif, \(0\) nötr, \(-1\) negatif duyarlılığı ifade eder. \(i\), aynı gün içindeki mesajı; \(t\), günü gösterir.

4. Günlük duyarlılık skoru

Günlük duyarlılık, mesaj duyarlılığı ve model güveni birlikte kullanılarak hesaplanır:

Burada \(n_t\), \(t\) günündeki mesaj sayısıdır. \(\gamma_{i,t}\), modelin ilgili mesaj için güven skorunu ifade eder. Bu yapı, yalnızca etiketin yönünü değil, modelin o etikete ne kadar güvendiğini de hesaba katar.

5. Duyarlılık sınıfları

Çalışmada günlük duyarlılık skoru üç bölgeye ayrılır:

Bu eşikler, günlük topluluk havasını pozitif, nötr veya negatif olarak özetlemek için kullanılır.

6. LSTM giriş değişkenleri

Price-only modelde giriş yalnızca tipik fiyattır:

Multi-modal modelde ise giriş vektörü dört bileşenden oluşur:

Burada \(V_t\), işlem hacmini; \(M_t\), piyasa değerini; \(S_t\), günlük Discord duyarlılık skorunu ifade eder. Bu yapı, modelin yalnızca fiyat geçmişini değil, topluluk verisini ve piyasa büyüklüğü bilgisini de dikkate almasını sağlar.

7. LSTM kapı yapısı

Çalışmada LSTM’in temel kapı mekanizması sade biçimde şu şekilde gösterilir:

Burada \(i_t\), giriş kapısını; \(o_t\), çıkış kapısını ifade eder. \(\sigma\), sigmoid fonksiyonudur. LSTM bu kapılar sayesinde geçmiş bilgiyi ne kadar taşıyacağını ve yeni girdiyi ne kadar dikkate alacağını öğrenmeye çalışır.

8. Ortalama karesel hata

Tahmin performansını ölçmek için kullanılan ilk metrik MSE’dir:

MSE, büyük tahmin hatalarını daha sert cezalandırır. Modelin getiriyi ne kadar yakın tahmin ettiğini ölçmek için kullanılır.

9. Ortalama mutlak hata

İkinci hata metriği MAE’dir:

MAE, tahmin hatalarının ortalama mutlak büyüklüğünü verir. Aykırı hatalara MSE kadar sert tepki vermez.

10. Açıklama gücü: \(R^2\)

Modelin getiri değişkenliğini ne kadar açıklayabildiği \(R^2\) ile ölçülür:

\(R^2\) pozitif olduğunda model, ortalama tahmine göre daha açıklayıcı kabul edilir. Bu çalışmada her iki modelde de \(R^2\) negatif kalmıştır. Bu, duyarlılık ve piyasa verileri eklense bile MANA getirilerindeki geniş oynaklığın hâlâ yeterince açıklanamadığını gösterir.

Grafik, Tablo ve Şema Ana Mesajı

PDF’teki Şekil 1, çalışmanın veri hattını gösterir. Discord mesajları RoBERTa tabanlı sentiment modelinden geçirilir. Günlük duyarlılık skoru \(S_t\) oluşturulur. Daha sonra bu skor, tipik fiyat \(\tau_t\) ve işlem hacmi \(V_t\) gibi finansal göstergelerle birlikte LSTM tahmin modeline aktarılır.

Şekil 2, topluluk duyarlılığı dağılımını ve model performansını özetler. Discord mesajlarının büyük bölümü nötr sınıfta toplanmıştır. Çalışmada pozitif mesaj oranı yaklaşık %26,94, nötr mesaj oranı %60,96, negatif mesaj oranı ise %12,10 olarak raporlanır. Bu dağılım, topluluk duyarlılığının genel olarak nötr ama pozitif tarafa hafif eğimli olduğunu gösterir.

Model performansı tarafında multi-modal yapı, fiyat-only LSTM modeline göre hata ölçülerini düşürmüştür. Ana sonuç bölümünde MSE değerinin 0.002100’den 0.001528’e, MAE değerinin ise 0.0297’den 0.0241’e düştüğü belirtilir. Ancak her iki modelde de \(R^2\) negatif kaldığı için, bu iyileşme sınırlı yorumlanmalıdır.

PDF’in ek kısmındaki model karşılaştırma tablosu da benzer bir mesaj verir. Sekiz bağımsız koşunun ortalamasında price-only model için MSE 5.84, sentiment eklenen model için 5.40 olarak raporlanmıştır. Ortalama MAE de çok az düşmüş, \(R^2\) ise -0.266 seviyesinden -0.170 seviyesine iyileşmiştir. Bu, sentiment bilgisinin katkı sağlayabildiğini ama hâlâ güçlü bir açıklama modeli oluşturmadığını gösterir.

Deneyler Nasıl Yapılmış?

Çalışmada MANA tokenine ait günlük OHLCV verileri kullanılmıştır. Veri dönemi 15 Haziran 2023 ile 14 Haziran 2024 arasındaki 366 günü kapsar. Piyasa verileri open, high, low, close, trading volume ve market capitalization alanlarını içerir.

Metinsel veri tarafında Decentraland Discord topluluğunun #general kanalındaki mesajlar kullanılmıştır. İlk aşamada 5.883 mesaj toplanmış, geçersiz kayıtlar elendikten sonra nihai metin korpusu 5.513 mesajdan oluşmuştur.

Her mesaj RoBERTa tabanlı duyarlılık modeliyle sınıflandırılmıştır. Sonrasında mesajlar günlük düzeyde birleştirilerek \(S_t\) duyarlılık skoru hesaplanmıştır.

Tahmin kısmında LSTM modeli kullanılmıştır. Fiyat-only model yalnızca tipik fiyatı kullanırken, multi-modal model tipik fiyat, işlem hacmi, piyasa değeri ve duyarlılık skorunu birlikte kullanır. Performans MSE, MAE ve \(R^2\) metrikleriyle ölçülmüştür.

Sonuçlar Ne Gösteriyor?

Çalışmanın ilk sonucu, Decentraland Discord topluluğunda duyarlılığın ağırlıklı olarak nötr olduğudur. Nötr mesajların çoğunlukta olması, toplulukta sürekli aşırı iyimser veya aşırı kötümser bir hava olmadığını gösterir. Bununla birlikte pozitif mesaj oranı negatif mesaj oranından daha yüksektir.

İkinci sonuç, negatif duyarlılık sıçramalarının daha çok kullanıcı düzeyindeki teknik sorunlarla ilişkili görünmesidir. Bu önemli bir ayrımdır. Çünkü Discord duyarlılığı her zaman makro piyasa sinyali üretmeyebilir; bazen platform içi kullanıcı deneyimini daha doğrudan yansıtabilir.

Üçüncü sonuç, duyarlılık verisinin tahmin performansına sınırlı ama ölçülebilir katkı sağlayabilmesidir. Multi-modal model, fiyat-only modele göre MSE ve MAE değerlerini düşürmüştür. Bu, topluluk mesajlarından türetilen sinyalin tamamen anlamsız olmadığını gösterir.

Dördüncü ve en temkinli sonuç ise \(R^2\) tarafındadır. Her iki modelde de \(R^2\) negatif kalmıştır. Bu, MANA token getirisinin yalnızca fiyat, hacim, piyasa değeri ve Discord duyarlılığıyla güçlü biçimde açıklanamadığını gösterir. Başka bir ifadeyle, model kısa vadeli hata ölçülerinde iyileşse bile genel piyasa dinamiklerini tam olarak yakalayamamaktadır.

Bu Neden Önemli?

Bu çalışma, metaverse ekonomilerinde topluluk verisinin finansal tahmin modellerine nasıl dahil edilebileceğini göstermesi açısından önemlidir. Decentraland gibi platformlarda Discord, yalnızca sohbet alanı değildir; aynı zamanda kullanıcıların memnuniyetini, teknik sorunlarını, beklentilerini ve platforma ilgisini yansıtan bir topluluk sinyalidir.

Finansal tahmin modelleri çoğu zaman fiyat ve hacim verisine dayanır. Ancak kripto ve metaverse projelerinde topluluk ilgisi, yönetişim katılımı ve sosyal duyarlılık da önemli olabilir. Bu çalışma, bu sosyal sinyallerin modele eklenmesiyle hata ölçülerinde iyileşme sağlanabileceğini gösterir.

Fakat sonuçlar aynı zamanda dikkatli olunması gerektiğini de gösteriyor. Discord duyarlılığı platform içi deneyimi yansıtabilir; ancak tüm kripto piyasasını, makro haberleri, likidite koşullarını veya yatırımcı davranışını tek başına açıklayamaz. Bu nedenle topluluk sentiment verisi, bağımsız bir tahmin motoru değil, daha geniş bir multi-modal analiz sisteminin parçası olarak düşünülmelidir.

Dikkat Noktaları

Bu çalışma yatırım tavsiyesi değildir. MANA veya başka bir kripto varlık için al-sat önerisi içermez.

Veri dönemi yalnızca 366 günü kapsar. Daha uzun dönemlerde ve farklı piyasa rejimlerinde sonuçlar değişebilir.

Discord verisi tüm yatırımcı kitlesini temsil etmeyebilir. Aktif Discord kullanıcıları, MANA yatırımcılarının veya Decentraland kullanıcılarının yalnızca belirli bir alt grubunu yansıtabilir.

Duyarlılık modeli genel sosyal medya dili üzerinde eğitilmiş RoBERTa tabanlı bir modeldir. Metaverse ve kripto alanına özgü ironi, jargon, teknik şikâyet veya topluluk içi bağlamı her zaman doğru yakalayamayabilir.

Negatif \(R^2\) değerleri, modelin açıklama gücünün sınırlı olduğunu gösterir. Bu nedenle hata metriklerindeki iyileşme abartılmamalıdır.

Çalışmada makro kripto piyasası, Bitcoin etkisi, Ethereum ağı koşulları, NFT hacmi, Decentraland içi arazi aktivitesi veya büyük borsa likiditesi gibi ek değişkenler kullanılmamıştır. Bu değişkenler ileride daha kapsamlı modeller için önemli olabilir.

Sonuç

Bu akademik çalışma, Decentraland Discord topluluğundan çıkarılan duyarlılık sinyallerinin MANA token tahmin modellerine sınırlı ama anlamlı katkı sağlayabileceğini gösteriyor. Multi-modal LSTM modeli, fiyat-only modele göre MSE ve MAE değerlerini azaltmıştır.

Ancak çalışma aynı zamanda önemli bir uyarı yapıyor: Topluluk duyarlılığı tek başına güçlü bir piyasa açıklama modeli değildir. Negatif \(R^2\) değerleri, MANA getirisinde hâlâ açıklanamayan ciddi oynaklık bulunduğunu gösterir.

Verianla açısından bu çalışmanın ana mesajı şudur: Metaverse ve kripto ekonomilerinde topluluk verisi önemlidir; fakat bu veri ancak fiyat, hacim, piyasa değeri, platform aktivitesi ve daha geniş piyasa koşullarıyla birlikte değerlendirildiğinde daha anlamlı hale gelir.

Kaynak ve Yöntem Notu

Bu içerik, Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland’s MANA Token başlıklı akademik PDF incelenerek hazırlanmıştır. Metin birebir çeviri değildir. Çalışmanın amacı, veri yapısı, temel formülleri, yöntemleri, sonuçları ve sınırlılıkları Verianla okurları için sadeleştirilmiş, özgün ve editoryal Türkçe ile yeniden anlatılmıştır.

Formüller, çalışmadaki temel matematiksel yapıya sadık kalınarak MathJax uyumlu LaTeX formatında verilmiştir. Yazı yatırım tavsiyesi, token önerisi veya canlı işlem sinyali değildir.