Geri Dön

Makine öğrenmesi ile FOREX piyasalarında alım satım kararları uygulaması

Trading decisions application with machine learning in FOREX markets

  1. Tez No: 523671
  2. Yazar: EFE UZEL
  3. Danışmanlar: DOÇ. PINAR KAYA SAMUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Atılım Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: İşletme Bilim Dalı
  13. Sayfa Sayısı: 112

Özet

Bu çalışmada Türk Lirası'nın ABD Doları karşısındaki döviz kurunun değişim yönünün tahmin edilmesi için çevrimiçi makine öğrenmesi kullanılarak modeller oluşturulmuş ve model başarımları FOREX piyasalarında alım-satım benzetimi ile gösterilmiştir. Modellerin eğitim sürecinde; döviz kuru zaman serisi sembolik temsile dönüştürülmekte, içinde örüntüler bulunarak örüntü bazında olasılık dağılımı çıkarılmakta ve bu olasılıklar kullanılarak kurun değişim yönü tahmin edilmektedir. Modellerin parametreleri eniyilenerek model başarımları geçerleme verisi ile alımsatım benzetimi yapılarak gösterilmiş ve başarılı sonuçlar elde edilmiştir. Alım satım benzetimi sonucunda, oluşturulan modellerin %65 ile %100 oranları arasında karla sonuçlanan işlemler yaptığı görülmüştür. Bu durum sadece geçmiş fiyat verileri kullanılarak gelecek fiyatların bir ölçüde tahmin edilebileceğini gösterdiğinden, Türk Lirası kuru piyasası için Zayıf Formda Etkin Piyasa Hipotezinin tam olarak geçerli olmadığı sonucuna varılmıştır.

Özet (Çeviri)

The present study aims to forecast the direction of change for currency exchange rate between Turkish Lira and U.S. Dollar. Online machine learning has been used to generate models and model performances has been demonstrated with FOREX market trading simulation. To generate and train the models; exchange rate time series is converted to symbolic representation, patterns are found and probability distributions are generated. Exchange rate change direction is forecasted using these probabilities. Model parameters are optimized and model performances are demonstrated by trading simulation with validation data. Successful results are achieved with profitable trade ration ranging between 65% and 100% for the generated models. This is interpreted as the market not being fully efficient in the weak form and returns can be generated by only using past price data.

Benzer Tezler

  1. Stock trend prediction and portfolio optimization

    Hisse senedi trend tahmini ve portfoy optimizasyonu

    DENİZ PEKŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    EkonomiÖzyeğin Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. OKAN ÖRSAN ÖZENER

  2. Portfolio optimization with wavelet analysis and neural fuzzy networks

    Dalgacık analizi ve bulanık sinir ağları modeli ile portföy optimizasyonu

    ÖMER ZEKİ GÜRSOY

    Doktora

    İngilizce

    İngilizce

    2022

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ

  3. Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi

    Estimating stock values with deep learning

    HÜSEYİN MUSTAFA METİN

    Doktora

    Türkçe

    Türkçe

    2024

    MatematikMuğla Sıtkı Koçman Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ERDOĞAN GAVCAR

  4. Enriching predictive models using graph embeddings

    Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi

    YAREN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  5. Forecasting foreign exchange rate with machine learning techniques

    Makine öğrenmesi teknikleri ile kur tahmini

    ROHAT KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    EkonometriOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. FULYA GÖKALP YAVUZ