Finansal zaman serilerinin fonksiyonel yapısının genetik öğrenmeyle belirlenmesi
Determining the functional structure of financial time series by means of genetic learning
- Tez No: 344776
- Danışmanlar: PROF. DR. HASAN DURUCASU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonomi, İşletme, Computer Engineering and Computer Science and Control, Economics, Business Administration
- Anahtar Kelimeler: evrimsel hesaplama, genetik programlama, sembolik regresyon, kural tabanlı sistemler, nansal zaman serileri, teknik analiz, etkin piyasa hipotezi, evolutionary computation, genetic programming, symbolic regression, rule-based systems, nancial time series, technical analysis, ef?cient market hypothesis
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Anadolu Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 202
Özet
Menkul kıymet fiyatlarının piyasanın geçmiş verileri kullanılarak tahmin edilmeye çalışılması her zaman ilgi çekici ve bir o kadar da zor bir uygulama alanı olmuştur. Geçmiş piyasa verilerine dayalı olarak tahminleme yapmada başvurulan veri odaklı yaklaşımlardan biri de genetik programlamadır (GP). GP, finansal zaman serilerini oluşturan sürecin matematiksel formunu araştırmada sıklıkla kullanılmaktadır. Yanı sıra, GP piyasaya giriş ve çıkış sinyalleri üreten kural tabanlı sistemlerin geliştirilmesinde de bir örüntü tanıma tekniği olarak son derece umut verici sonuçlar elde etmektedir. Menkul kıymet fiyatını tahminleyen matematiksel formun ya da kurallar bütününün tamamen bilgisayar tarafından araştırılmasında çok büyük bir arama uzayıyla karşı karşıya kalınmaktadır. Bu bakımdan, mutlak bir çözümden ziyade sınırlı hesaplama gücüyle makul sürelerde yeterince iyi çözümler bulunabilmesi ancak GP gibi meta-sezgisel teknikler yardımıyla gerçekleştirilebilmektedir. Bu çalışma kapsamında bu doğrultuda üç sistem geliştirilmiştir. Geliştirilen bu sistemlerden ilk ikisi sembolik regresyon uygulaması diğeri ise kural tabanlı sistem uygulaması niteliğindedir. İlk iki sistemde, basit terminal ve fonksiyon kümelerinden sembolik regresyon yardımıyla tahmin edici matematiksel modeller türetilmeye çalışılmaktadır. Ardından bu yaklaşımın güçlü ve zayıf yönleri okuyucuya sunulmuştur. Üçüncü uygulama kapsamında geliştirilen sistem ise, hiçbir ön bilgiye sahip olmaksızın yalnızca tarihi verileri kullanarak piyasaya giriş ve çıkış zamanlamalarının belirlenip belirlenemeyeceğini araştırmaktadır. Belirli bir deney tasarımı uyarınca sistemin spekülasyon performansı değişik öğrenme ve test periyotları için sınanmıştır. Sonuç olarak, GP yardımıyla bu kural tabanlı sistemin 6 ay (120 işlem günü) ve 12 aydan (240 işlem gününden) oluşan test vadelerinde al-bekle stratejisinden her seferinde üstün stratejiler geliştirebildiği istatistiksel olarak ortaya konulmuştur. Ancak; 1 hafta (5 işlem günü), 1 ay (20 işlem günü) ve 3 ay (60 işlem günü) gibi görece kısa test periyotlarında böyle bir bulguya rastlanamamıştır. Deneyler açıkça göstermiştir ki; sistem, hiçbir ön bilgiye sahip olmadan, yalnızca tarihi günlük verilerden hesaplanan kimi teknik analiz göstergelerini içeren kural kombinasyonlarını keşfederek, orta-uzun vadede kârlı al-sat stratejileri geliştirebilmektedir.
Özet (Çeviri)
Forecasting of security prices based on historical data has been a very popular and equally demanding application area. Genetic programming (GP) is one of the such data-driven techniques which has been employed in predicting security prices based on historical data. GP has been frequently used in searching the mathematical form of the process that generates financial time series. Besides; GP has been also reported to achieve very promising results as a pattern recognition technique in developing rule based systems which produce signals for entering and leaving the markets. When searching for the predictor mathematical form or for a rule pattern by the machine, an ill-defined optimization problem with a very large search space has to be faced with. Thus; instead of a deterministic one, a satisfying approximate solution within accepted time by limited computing power can only be found by metaheuristics such as GP. To this aim, three systems have been developed throughout this work. The first two of these systems are symbolic regression applications and the other one is characterized as a rule-based system. The first two systems strive to generate predictor mathematical models by the help of symbolic regression from simple terminal and function sets. Then strong and weak sides of this approach is presented. The developed system within the scope of third application, searches whether in/out timing decisions for marketscan solely be determined depending on historical data without“à priori”knowledge. System speculation performance has been tested for different learning and test periods in the frame of a specific experiment design. As a result, it is statistically put forth that, this rule based system developed by the help of GP, could provide superior strategies compared to buy-and-wait strategy for testing periods of 6 months (120 trading days) and 12 months (240 trading days). In contrast, similar findings could not be reached for relatively shorter test periods like 1 week (5 trading days), 1 month (20 trading days) and 3 months (60 trading days). Experiments clearly show that; the system can provide profitable buy-sellstrategies without“à priori”knowledge but only discovering rule combinations of some technical analysis indicators derived fromdaily historical prices.
Benzer Tezler
- Türk sanayi şirketlerinde sistematik risklerin önemi ve ölçülmesi- döviz kuru, faiz oranı ve emtia fiyatı risklerinin LSTM yapay sinir ağıla tahmin edilmesi
The importance and measurement of systematic risks in Turkish industrial companies-prediction of exchange rate, interest rate, and commodity price risks using LSTM neural network
MUSTAFA ADIGÜZEL
- Finansal zaman serilerinin olasılıklı modellenmesi ve benzetimi
Stochastic modeling and simulation of financial time series
YUSUF KARADEDE
Doktora
Türkçe
2020
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLTEKİN ÖZDEMİR
- New model for forecasting financial data
Finansal verilerin öngörüsü için yeni bir model
ÖZGÜN SEYMEN UZUN
Yüksek Lisans
İngilizce
2019
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- Makine öğrenmesi algoritmalarını kullanarak Bitcoin fiyat tahmini
Bitcoin price prediction using machine learning algorithms
ZEYNEP ŞENGÜL
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ