Trade-profit maximization in stock markets neural networks as technical-analysis-indicator approximators
Yapay sinir ağlarının hisse senetleri piyasası işlemlerinde kazanç enbüyüklem eamacıyla teknik analiz göstergesi yaklaşıklaştırıcısı olarak kullanımı
- Tez No: 152550
- Danışmanlar: PROF. DR. UĞUR AKMAN, DOÇ. DR. NESRİN OKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2004
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Sistem ve Kontrol Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 42
Özet
IV ÖZET YAPAY SINIR AĞLARININ HİSSE SENETLERİ PİYASASI İŞLEMLERİNDE KAZANÇ ENBÜYÜKLEME AMACIYLA TEKNİK ANALİZ GÖSTERGESİ YAKLAŞIKLAŞTIRICISI OLARAK KULLANIMI Doğrusal olmayan/kaotik zaman serilerinin (hisse senedi fiyatlarının) tahmin edilebilir olup olmadığı hala çözülmemiş bir sorudur. Yapay Sinir Ağlarının öğrenme yetenekleri hisse senedi fiyatlarını tahmin etmek için kullanılmıştır ancak basan sınırlıdır. Geleneksel yaklaşım, gerçek ve tahmin edilen değerler arasındaki farkın karesini enküçükleme benzeri kriterler kullanarak, bir yapay sinir ağı modeline hisse senedi fiyat geçmişini öğretmektir. Diğer taraftan, Teknik Analiz Göstergeleri, tahmin etmeye çalışmadan, zamanında al/sat sinyalleri üreterek hisse senedi fiyatlarından kar elde etmeyi başarırlar. Bu çalışmada, ilk adımda, giriş ve saklı nöron sayısı bakımından yapısal değişiklik gösteren yapay sinir ağı, önceden eniyilenmiş“Williams' %R”(WR) diye adlandırılan teknik analiz sinyalini öğrenmek için eğitilmişlerdir. WR parametrelerinin en çok kar üretimi için ön eniyilemesi, en çok kullanılan teknik analiz ve çizenek yazılımı olan MetaStock tarafından yapılmıştır. Fakat, WR tarafından üretilen kar, sabit bir formül tarafından sınırlandırılmıştır. Bir sonraki adımda, yapay sinir ağlarının global fonksiyon yaklaşıklaştırıcı olabilme yeteneklerinden yararlanarak, ağın parametreleri (ağırlıklar ve yanlılıklar) rastgele arama yöntemiyle, ilk adımda elde edilen parametre uzayı etrafında, bu ağ ile benzeştirilen WR tarafından üretilmiş al/sat sinyallerine göre karı enbüyüklemek amacıyla eniyilenmiştir. Eniyilenen ağ, örtük bir kar üretim fonksiyonu gibi davrandığından ve bu fonksiyonel formu WR'daki gibi sınırlandırılmış olmadığından daha iyi al/sat kararlan elde edilmiştir. Hesaplamalarda İMKB-100 Endeksi'nin günlük kapanış değerleri kullanılmış ve yalnızca“açığa satış”olmadığı durumlarda değerlendirilmiştir. Sonuç olarak, ilk eniyilenmiş WR sinyalinin 56.8 birim kan, simulasyonlann birinde 73.3 birim karla geçilmiştir. Bu önerilen yöntemin potansiyelini ispatlamaktadır.
Özet (Çeviri)
Ill ABSTRACT TRADE-PROFIT MAXIMIZATION IN STOCK MARKETS WITH NEURAL NETWORKS AS TECHNICAL-ANALYSIS-INDICATOR APPROXIMATORS Whether nonlinear/chaotic financial time series (stock prices) are predictable or not is still an unsolved question. Learning abilities of neural networks (NN) are used to forecast stock prices; however with limited success. The traditional approach is to train a NN model to stock-price history using a criterion such as minimizing the squared error between predictions and actual values. Technical Analysis Indicators (TAI), on the other end, without any attempt to forecast, manage to extract profits from stock prices by providing timely buy/sell signals. In this work, in the first step, feedforward NNs, differing in structure in terms of number of input and hidden neurons, are trained to learn the pre- optimized TAI signal called the“Williams' %R”(WR). The pre-optimization of the WR parameters for maximum profit generation is done with the most widely used TA and charting software MetaStock. However, the profit generated by the WR is limited by its fixed formula. In the next step, by capitalizing on the global function approximation abilities of NNs, the parameters (weights and biases) of the NN are optimized via a random search, around the parameter space obtained in the first step, with the objective of maximizing the profit according to the buy/sell signals generated by this“NN-simulated WR”. Since the optimized NN acts as an implicit profit-generating function, and since this functional form is not restricted as in the case of WR, better trading decisions are obtained. In the computations daily closing values of the ISE100 (Istanbul Stock Exchange 100 Index) are used and only the long positions are considered (no short-selling). As a result, the 56.8 unit profit of the original optimized WR signal is surpassed by a 73.3 unit profit in one of the simulations; proving the potential of the proposed method.
Benzer Tezler
- Hisse senedi piyasalarında algoritma kullanımı: Borsa İstanbul'da Turtle Trade uygulaması
Algorithm use in stock markets: Turtle Trade application in Borsa Istanbul
KEZBAN CANÖZÜ ÖKSÜZ
- Telekomünikasyon sektöründe firma değerini etkileyen faktörler
Factors affecting firm value in telecommunications sector
RABİA ULU
- Enflasyonist ortamda hayat sigorta işletmelerinde yatırımlar ve kar payı hesaplanması
Başlık çevirisi yok
B. MÜGE BERKOL
Yüksek Lisans
Türkçe
1996
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
YRD. DOÇ. DR. SAADET TANTAN
- Taşımacılık modelleri, uluslararası taşımacılık konusuna yaklaşımlar ve bir uygulama
Transportation models, approaches to international transportation and an application
BAHAR ORTAATİLLA
Yüksek Lisans
Türkçe
1994
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. FÜSUN ÜLENGİN