Geri Dön

Financial time series prediction using Kalman filters and hidden Markov models

Saklı Markov modelleri ve Kalman filtreleri kullanarak finansal zaman serisi tahmini

  1. Tez No: 232614
  2. Yazar: BURAK BAYRAMLI
  3. Danışmanlar: PROF. FİKRET GÜRGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, İstatistik, Computer Engineering and Computer Science and Control, Mathematics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2008
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Sistem ve Kontrol Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Finans piyasaları, analiz ve fiyat tahmini yapmak açısından zor biralandır. Tahmin yapılmasını zorlaştıran faktör, herhangi bir gündeki fiyatınortaya çıkmasında çok fazla etkinin olmasıdır. Tahmin ve analiz için şimdiyekadar pek çok istatistiki ve diğer yöntemler bu amaç için seferber edilmiştir -biz de bu yolda bir adım atmaya uğraştık.Bu bağlamda Gizli Markov Modelleri ve Kalman Filtreleri adlı iki kuvvetlimetotun, geçmiş senet verisini modelleyebilerek geleceğe dönük tahminyapabileceğini varsay\-dık, ve iki metodu birleştirerek KMM adlı üçüncü birmetodun performansına baktık. Fiyat tahmin sayılarıni üretirken Monte Carlometotu kullanarak uç noktalarda olan tahminleri ortalama içinde düzeltmeye veböylece daha iyi bir tahmine ulaşmaya çabaladık. Model eğitildikten sonra onuileriye dönük tahminlerde kullanmak için ise, GMM durumunda Viterbi algoritmasıile geçiş olasılıklarını rasgele sayı üreterek takip eden bir algoritma, KalmanFiltreleri durumunda ise en son gelinen zaman noktasından bir sonrakine geçişiçin bizim değiştirdiğimiz zaman güncelleme denklemleri, ve yine rasgele sayıüreten bir algoritma kullandık.Bu tezin bir diğer amacı tarif ettiğimiz metotların diğer klasik metotlarakıyasla nasıl başarı göstereceğini ortaya koymaktı. Bunun için Yapay SinirAğları, polinom regresyon ve en son pür rasgele sayı üreterek tahmin yapmayauğraşan üç diğer metotu test senaryolarımıza dahil ettik. Bu metotların arasındarasgele üretim en alt seviyede performans göstermesini beklenilen metot idi,diğer tüm metotlar farklı derecelerde bu metotu geçmeliydi, ki deneylersonucunda durumun böyle olduğunu gözlemledik.

Özet (Çeviri)

Financial markets are challenging targets for analysis and prediction. The existenceof many factors that contribute to a nal price of security at time t, makes thetask of predicting a future price a very hard task indeed. In the past, many statisticaland non-statistical models have been utilized that attempted to perform this dauntingtask - the aim of this thesis is going to be trying to demonstrate Hidden Markov Modelsand Kalman Filter methods can be used for predicting a future price. We also deviseda mixture predictor using HMM and KF which we called KMM.For this purpose, we hypothized HMM, KF and KMM based models that aretrained on historical data can generate future data, thereby predicting this securities'price in the future. For data generation, we used Monte Carlo simulation to smoothover the irregular patterns. \Carrying the model forward in time“ is achieved by acombination of Viterbi algorithm and rolling the dice on hidden state transitions, inKF case, we follow the time transition equation.Another goal of this thesis was to determine how HMM, KF and KMM methodsstood in comparison to other conventional methods. We picked polynomial regression,Neural Networks (ANN) and plain \random guess”as our comparison criteria. Randomguess was expected to be the lowest performer in our tests, every method mentionedshould have surpassed random guess results by wide margin. We were glad to see thatthis was indeed the case.

Benzer Tezler

  1. Proposal for a forecasting methodology to predict commercial real estate values in Istanbul using social big data

    Sosyal büyük veri kullanımı ile İstanbul'daki ticari gayrimenkul değerlerini tahmin etmek için bir kestirim yöntemi önerisi

    MARAL TAŞCILAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Ekonometriİstanbul Teknik Üniversitesi

    Gayrimenkul Geliştirme Ana Bilim Dalı

    DOÇ. KEREM YAVUZ ARSLANLI

  2. Deep wavelet neural network for spatio-temporal data fusion

    Uzamsal-zamansal veri füzyonu içinderin dalgacık sinir ağları

    AJLA KULAGLIC

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  3. Yapay zeka yöntemleri ile finansal zaman serileri öngörüleri

    Financial time series forecasting using artificial intelligence methods

    EFE ARDA

    Doktora

    Türkçe

    Türkçe

    2020

    İşletmeBaşkent Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. GÜRAY KÜÇÜKKOCAOĞLU

  4. Dynamic market value forecasting using artificial neural networks

    Yapay sinir ağları ile dinamik pazar değeri tahmini

    ERKAM GÜREŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Ekonomiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. GÜLGÜN KAYAKUTLU

  5. Machine learning-based modeling and monitoring of machining processes and tool wear

    İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi

    ARASH EBRAHIMI ARAGHIZAD

    Doktora

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiSabancı Üniversitesi

    Üretim Mühendisliği Ana Bilim Dalı

    PROF. DR. ERHAN BUDAK