Yapay sinir ağları ve destek vektör makineleri yöntemlerinin sınıflandırma performanslarının karşılaştırılması: Borsa endeks yönünün tahmini üzerine bir uygulama
Classification performance comparison of artificial neural networks andsupport vector machines methods: An empirical study on predicting stockmarket index movement direction
- Tez No: 340494
- Danışmanlar: PROF. DR. MEHPARE TİMOR
- Tez Türü: Doktora
- Konular: İstatistik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İşletme, Statistics, Computer Engineering and Computer Science and Control, Business Administration
- Anahtar Kelimeler: Borsa endeksi, Destek vektör makineleri, Yapay sinir ağları, Yapay zeka, Öğrenme algoritmaları, İMKB, Stock exchange index, Support vector machines, Artificial neural networks, Artificial intelligence, Learning algorithms, İstanbul Stock Exchange
- Yıl: 2013
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Sayısal Yöntemler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, makine öğrenmesi yöntemlerinden olan Yapay Sinir Ağları ve Destek Vektör Makineleri incelenmiştir. Bu yöntemlerin İstanbul Menkul Kıymetler Borsası Ulusal 100 Endeksi?nin yön tahmininde kullanılabilirlikleri araştırılmıştır. Analizde 2005-2011 dönemine ait sırasıyla teknik göstergeler, borsaların endeks değişim oranları ve makroekonomik göstergelerden oluşan veri kümelerinin yön tahmininde gösterdikleri performanslar karşılaştırılmıştır. Sonuçlar incelendiğinde teknik göstergelerin diğer değişkenlere göre daha iyi performans gösterdiği belirlenmiştir. Daha sonra bu veri kümelerinin bir araya getirilmiş hali üzerinde öznitelik seçimi yapılarak yön tahmininin en az sayıdaki değişkenle en doğru şekilde yapılmasını sağlayacak veri kümesi oluşturulmuştur. Tüm analizlerde Yapay Sinir Ağları, Destek Vektör Makineleri?ne göre daha iyi sonuçlar vermiştir.
Özet (Çeviri)
In this thesis study, Artificial Neural Networks and Support Vector Machines which are machine learning methods were examined. Usability of these methods for the prediction of Istanbul Stock Exchange (ISE) National 100 Index movement direction was investigated. In analysis, performances of the 2005?2011 period data sets containing technical indicators, rate of change of stock market indices and macroeconomic indicators were compared. The results showed that technical variables give better performances than other variables. Later, a dataset which predicts the stock movement direction most accurately with minimum number of variables was formed by feature selection on combined data sets. Artificial Neural Networks gave better results than Support Vector Machines for all analyzes.
Benzer Tezler
- Uzaktan algılamada ileri sınıflandırma tekniklerinin karşılaştırılması ve analizi
Comparing and analyzing of advanced classifier techniques in remote sensing
İSMAİL ÇÖLKESEN
Yüksek Lisans
Türkçe
2009
Jeodezi ve FotogrametriGebze Yüksek Teknoloji EnstitüsüJeodezi ve Fotogrametri Ana Bilim Dalı
DOÇ. DR. TAŞKIN KAVZOĞLU
- Borsa endeksi hareket yönünün tahmininde sınıflandırma yöntemlerinin performanslarının karşılaştırılması: BİST 100 örneği
Performance comparison of classification techniques in stock exchange index direction movement prediction: the case of BIST 100
İSMAİL KARA
- Döviz kurunun tahmin edilmesinde istatistiksel yöntemlerin karşılaştırmalı analizi
A comparative analysis of statistical methods in forecasting exchange rates
NİMET MELİS ESENYEL
- Sınıflandırmada kullanılan veri madenciliği yöntemlerinin performanslarının veri seti özelliklerine göre karşılaştırılması
Comparison of performance of data mining methods used for classification in terms of data characteristics
GÖRKEM CEYHAN
Doktora
Türkçe
2020
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. İSMAİL KARAKAYA
- Transkriptom veri seti üzerinde derin öğrenme yöntemi ile klasik veri madenciliği yöntemlerinin sınıflama performanslarının karşılaştırılması
Comparison of classification performance for deep learning method and classical data mining methods on transcriptome data set
MERVE KAŞIKCI
Yüksek Lisans
Türkçe
2019
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERDEM KARABULUT