Graf evrişimli ağlar ile finansal ağ modellemesi ve portföy optimizasyonu
Financial network modeling and portfolio optimization with graph convolutional networks
- Tez No: 1025272
- Danışmanlar: PROF. DR. SEZAİ TOKAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Mikro finans, Portföy optimizasyonu, Yapay zeka, Microfinance, Portfolio optimization, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, çoklu varlık piyasalarındaki finansal bağımlılıkları modelleyip portföy optimizasyonuna entegre eden EH-GCN (Geliştirilmiş Hibrit Graf Evrişimli Ağ) adlı özgün bir derin öğrenme mimarisi önermektedir. EH-GCN; girdi dönüşümü, artık (residual) graf evrişim blokları, çok başlı öz-dikkat mekanizması ve bir yeniden kurulum başlığını birleştirerek varlıkların düğüm özellikleri ile finansal ağ topolojisini birlikte öğrenmekte ve her varlık için zengin gömülü temsiller üretmektedir. Bu temsillerden elde edilen benzerlik bilgisi, klasik örneklem kovaryansını zenginleştiren bir düzenleme terimi olarak portföy optimizasyonuna dahil edilmekte; düzenlemenin gücü, örneklem dışı istikrarı gözeten zaman serisi çapraz doğrulamasıyla belirlenmektedir. Çalışmada küresel hisse senetleri, kripto varlıklar, emtialar, döviz kurları ve borsa yatırım fonlarını kapsayan, beş varlık sınıfı ve 60 enstrümandan oluşan günlük bir veri seti kullanılmış; varlıklar arası korelasyonlar finansal ağa dönüştürülerek ağın merkezilik ve dayanıklılık özellikleri incelenmiştir. Meta-sezgisel algoritmalar ise sınıf bazlı korelasyon eşiklerinin kalibrasyonu ve portföy ağırlığı optimizasyonu için tamamlayıcı araçlar olarak kullanılmıştır. EH-GCN portföyü; geleneksel, risk tabanlı, meta-sezgisel ve derin öğrenme tabanlı modellerle karşılaştırılmış ve Sharpe ile Sortino oranlarında en yüksek performansı sağlamıştır; bazı alternatifler ise maksimum düşüş veya Calmar oranı gibi tekil ölçütlerde öne çıkmıştır. Dayanıklılık analizleri, finansal ağın rastgele kopmalara karşı görece dirençli, merkezî ve köprü düğümlerin çıkarılmasına karşı daha kırılgan olduğunu ortaya koymaktadır. Açıklanabilirlik analizleri, model kararlarında volatilite ve teknik gösterge özelliklerinin belirleyici olduğunu, gömülü temsil uzayının ise varlık sınıfı yapısını anlamlı biçimde yansıttığını göstermiştir. Sonuçlar, EH-GCN'in graf temelli temsil öğrenimiyle portföy seçimi için açıklanabilir ve etkili bir çerçeve sunduğunu göstermektedir.
Özet (Çeviri)
This thesis introduces EH-GCN (Enhanced Hybrid Graph Convolutional Network), a deep learning architecture designed to model financial dependencies in multi-asset markets and integrate them into portfolio optimization. EH-GCN combines an input transformation, residual graph convolution blocks, a multi-head self-attention mechanism, and a reconstruction head to learn jointly from asset node features and financial network topology, producing rich representations for each asset. The similarity information derived from these representations enters the optimization as a regularization term that enriches the classical sample covariance, and the strength of this regularization is set by time-series cross-validation favoring out-of-sample stability. The study uses a daily dataset of 60 instruments across five asset classes (global equities, cryptocurrencies, commodities, foreign exchange rates, and exchange-traded funds), and transforms asset correlations into a financial network whose centrality and robustness are analyzed. Metaheuristic algorithms are further employed as complementary tools for class-based correlation-threshold calibration and portfolio-weight optimization. Benchmarked against traditional, risk-based, metaheuristic, and deep learning models, the EH-GCN portfolio attains the best Sharpe and Sortino ratios, while some benchmarks lead on individual measures such as maximum drawdown or the Calmar ratio. Robustness analyses show that the network is relatively resilient to random failures but more vulnerable to the removal of central and bridge nodes. Explainability analyses show that volatility and technical-indicator features dominate the model's decisions and that the embedding space meaningfully reflects the asset-class structure. The results demonstrate that EH-GCN offers an interpretable and effective framework for portfolio selection through graph-based representation learning.
Benzer Tezler
- Blok zincir ağlar üzerinde yasal olmayan para transferlerinin graf teorisi ve yapay zeka yöntemleri ile tespit edilmesi
Detection of illegal money transfers on blockchain networks with graph theory and artificial intelligence methods
EMİNE CENGİZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT GÖK
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Topology-preserving medical image segmentation via path-cost supervision
Yol maliyeti denetimi ile topoloji koruyan tıbbi görüntü bölütleme
ELYAR ESMAEILZADEH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DORUK ÖNER
- Mahremiyet duyarlı graf evrişimli sinir ağları ile trafik hız tahmini
Traffic speed prediction with privacy-aware graph convolutional neural networks
ŞEYDA DANYILDIZI
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiKahramanmaraş Sütçü İmam ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ CANBAY
- Kelime gömme vektörlerinin graf dönüşümü yoluyla metin sınıflandırmada kullanımı
Use of word embedding vectors in text classification through graph conversion
ELİF DORUKBAŞI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. İLKER TÜRKER