Geri Dön

Altın fiyatının makine öğrenmesi ve derin öğrenme algoritmalarıyla tahmini

Gold price prediction with machine learni̇ng and deep learni̇ng algorithms

PDF İndir

  1. Tez No: 1023588
  2. Yazar: MERT SEZGİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DURMUŞ ÖZKAN ŞAHİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Altın fiyatının tahmini, hem merkez bankaları gibi kurumsal yapılar hem de enflasyondan korunmayı hedefleyen bireysel yatırımcılar için finansal risk yönetimi ve stratejik karar alma süreçlerinde kritik bir öneme sahiptir. Bu tez çalışmasında, altın Borsa Yatırım Fonu (Exchange Traded Fund: ETF) kapanış fiyatlarının makine öğrenmesi ve derin öğrenme algoritmaları ile tahmin edilmesi amaçlanmıştır. Çalışma kapsamında iki ayrı deneysel çalışma gerçekleştirilmiştir. İlk çalışmada, Kaggle platformundan alınan ve 2011-2018 dönemini kapsayan 80 değişkenli açık kaynaklı bir veri kümesi 20 bağımsız değişkene indirgenerek kullanılmış; ikinci çalışmada ise 2010-2026 dönemini kapsayan ve 20 bağımsız değişkenden oluşan güncel bir veri kümesi oluşturulmuştur. Her iki çalışmada da altın ETF fiyatının günlük getirisi tahmin edilmiş; Doğrusal Regresyon (Linear Regression: LiR), Karar Ağacı (Decision Tree: DT), Uyarlanabilir Güçlendirme (Adaptive Boosting: AdaBoost), Ekstrem Gradyan Güçlendirme (Extreme Gradient Boosting: XGBoost), Kategorik Güçlendirme (Categorical Boosting: CatBoost) ve Hafif Gradyan Güçlendirme Makinesi (Light Gradient Boosting Machine: LightGBM) olmak üzere altı makine öğrenmesi algoritması ile Uzun Kısa Süreli Bellek (Long Short Term Memory: LSTM), Kapılı Tekrarlayan Birim (Gated Recurrent Unit: GRU) ve Evrişimli Sinir Ağı (Convolutional Neural Network: CNN) olmak üzere üç derin öğrenme modeli uygulanmıştır. Modeller, ilk çalışmada 7, ikinci çalışmada 10 katlamalı (fold) sabit kayan pencere çapraz doğrulama stratejisiyle eğitilip değerlendirilmiştir. Derin öğrenme modellerinin hiperparametreleri üç farklı optimizasyon tekniği kullanılarak belirlenmiştir. Model açıklanabilirliğini sağlamak amacıyla Shapley Toplamsal Açıklamaları (SHapley Additive exPlanations: SHAP) analizi gerçekleştirilmiştir. Modellerin başarımları; Kök Ortalama Kare Hata (Root Mean Square Error: RMSE) ve R^2 metrikleri kullanılarak karşılaştırmalı olarak sunulmuştur. İkinci çalışmada tüm modeller 0,95'in üzerinde R^2 değeri elde etmiştir. Bu çalışmada en düşük ortalama RMSE değeri 1,8937 ile AdaBoost algoritması tarafından elde edilirken, derin öğrenme modelleri arasında Genetik Algoritma-Uzun Kısa Süreli Bellek (Genetic Algorithm-Long Short Term Memory: GA-LSTM) 1,9273 RMSE ile en iyi performansı sergilemiştir. SHAP analizi sonucunda her iki çalışmada da S&P 500 Borsa Endeksi (Standard and Poor's 500: S&P 500) ve Dow Jones gibi hisse senedi endekslerinin, değerli metal fiyatlarının ve ABD Dolar Endeksi'nin (US Dollar Index) altın ETF getiri tahmini üzerinde en etkili öznitelikler arasında yer aldığı tespit edilmiştir.

Özet (Çeviri)

Gold price prediction is critical for financial risk management and strategic decision-making processes, both for institutional structures such as central banks and for individual investors seeking protection against inflation. This thesis aims to predict the closing prices of gold Exchange Traded Funds (ETFs) using machine learning and deep learning algorithms. Two separate experimental studies were conducted within the scope of this work. In the first study, an 80-variable open-source dataset from the Kaggle platform covering the period 2011-2018 was reduced to 20 independent variables; in the second study, a current dataset consisting of 20 independent variables covering the period 2010-2026 was created. In both studies, the daily return of the gold ETF price was predicted, and six machine learning algorithms, namely Linear Regression (LiR), Decision Tree (DT), Adaptive Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost), Categorical Boosting (CatBoost), and Light Gradient Boosting Machine (LightGBM), as well as three deep learning models, namely Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), and Convolutional Neural Network (CNN), were applied. The models were trained and evaluated using a fixed sliding window cross-validation strategy with 7 folds in the first study and 10 folds in the second. The hyperparameters of the deep learning models were determined using three different optimization techniques. To ensure model explainability, SHapley Additive exPlanations (SHAP) analysis was performed. The performance of the models was presented comparatively using Root Mean Square Error (RMSE) and R^2 metrics. In the second study, all models achieved R^2 values above 0.95. The lowest average RMSE value was obtained by the AdaBoost algorithm with 1.8937, while among the deep learning models, the Genetic Algorithm-Long Short Term Memory (GA-LSTM) showed the best performance with an RMSE of 1.9273. The SHAP analysis revealed that, in both studies, stock indices such as the Standard and Poor's 500 (S&P 500) and Dow Jones, precious metal prices, and the US Dollar Index were among the most influential features on gold ETF return prediction.

Benzer Tezler

  1. Tez No

    955405

    XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms

    Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu

    MELİS KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  2. Tez No

    538638

    Derin öğrenme yöntemleri ile zaman serisi tahmini

    Time series classification with deep learning methods

    HAKAN GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  3. Tez No

    857120

    Makine öğrenmesine dayalı hisse senedi değer tahmini

    Machine learning-based stock price prediction

    BURAK HÜSEYİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiYalova Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İBRAHİM SABUNCU

  4. Tez No

    800327

    Bitcoin price prediction with machine learning

    Makine öğrenmesi ile Bitcoin fiyat tahmini

    İLKAY SİBEL KERVANCI

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET FATİH AKAY

  5. Tez No

    732881

    Predicting direction of stock price movement by using adaptive ensemble learning method

    Hisse senedi fiyatı hareket yönünün adaptif topluluk öğrenmesi metodu ile tahmin edilmesi

    ALİ ÖZKAN PEKMEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

Geri Dön