New model for forecasting financial data
Finansal verilerin öngörüsü için yeni bir model
- Tez No: 559988
- Danışmanlar: DOÇ. DR. BURCU TUNGA
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Matematik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Bir zaman serisi, bir değerin zaman içerisinde sıralanmış ölçümlerinin bir kümesi olarak tanımlanabilir. Zaman serileri trend, mevsimsellik, çevresel, düzensizlik olmak üzere dört bileşenden oluşur. Zaman serilerinin önemli bir süreçlerinden birisi tahmin yapmadır. Geçmişteki ve şimdiki verileri kullanarak ve genellikle trendlerin analizi ile geleceğe yönelik öngörülerde bulunma sürecidir. Finansal zaman serileri doğrusal değildir ve karmaşıktır. Bu nedenle, finansal zaman serilerinin tahmin edilmesi zordur. Borsa fiyat endeksinin tahmini ve endeksin hareketi, finansal zaman serileri ile ilgili en yaygın araştırma alanlarından biridir. Ayrıca, hisse senedi fiyat endeksi ekonomik, sosyal, politik olaylar gibi birçok değişik faktörden etkilenmektedir. Bu sorunlara rağmen, hisse senedi endeksi tahmini son zamanlarda uzmanlar ve akademisyenler için en popüler sorunlardan biri olmuştur. Teknik analiz, muhtemel gelecekteki fiyatları belirlemek için son fiyatları inceleme olarak tanımlanabilir. Hareketli ortalamalar metodu ise en eski ve en popüler teknik analiz araçlarından biridir. Hareketli bir ortalama, belirli bir zamanda olan fiyatların ortalamasıdır. Beş popüler hareketli ortalama türü vardır: basit, üstel, üçgen, değişken ve ağırlıklı. Bu hareketli ortalamalar arasındaki en önemli fark, son zamanlara yakın verilere verilen ağırlıktır. Hareketli ortalama sürecinde, her bir gecikmeli hata terimi onun şimdiki değerini etkilemektedir. Hareketli ortalama yakınsak ıraksak indikatörü (Moving Average Convergence Divergence) teknik analizde en yaygın kullanılan teknik göstergedir. Hesaplanırken üstel hareketli ortalama kullanılır. Verilerin 26 günlük ve 12 günlük üstel hareketli ortalama değerleri hesaplanır. Hesaplanan 26 ve 12 günlük hareketli ortalamaların farkı MACD çizgisini verir. Sinyal çizgisi ise, MACD 'nin 9 günlük üstel hareketli ortalamasından elde edilir. Uzmanlar, MACD teknik analiz yöntemini kullanarak alım-satım (ayı-boğa) davranışına karar vermek için yorumda bulunurlar. Vektör Otoregresif model (VAR), çok değişkenli zaman serileri için literatürdeki en bilinen tahmin etme modelidir. Çok değişkenli zaman serilerinde en önemli amaç serinin bileşenleri arasında öngörülebilir yani durağan lineer birleşimin araştırılmasıdır. Başka bir deyişle, serinin bileşenleri arasındaki kointegrasyon ilişkisinin belirlenmesidir. Böyle bir ilişki belirlendiği zaman, serinin durağan lineer birleşimleri üzerinden istatistiki sonuç çıkarımlar yapılabilir. Vektör Otoregresif modelinde, endojen (bağımlı değişken) değer, tahmin edilecek eksojen (bağımsız değişken) değerler ile modellenir. İçsel değişkenlerin birlikte ele alındığı eş anlı denklem modeli olan Vektör otoregresif model, Sims tarafından 1980 yılında geliştirilmiştir. VAR modelinde değişkenler içsel ve dışsal olarak ayrılmadığından belirlenme sorunu söz konusu değildir. Bu modelde, bütün değişkenler içsel kabul edilir ve bir değişken kendisinin ve modelde yer alan diğer değişkenlerin gecikmeli değerlerinin fonksiyonu olarak tanımlanır. Bu tezde, finansal verilerin öngörüsü için oluşturulmuş yeni bir model olan Exponential Moving Average Vector Autoregressive Model (EMAVAR) açıklanmıştır. EMAVAR modeli, Moving Average Convergence Divergence teknik analiz indikatörü (MACD) ve Vector Autoregressive (VAR) modeli kullanılarak oluşturulmuştur. EMAVAR modelinde, MACD işleminin sonucu olarak farklı seriler oluşturulur. Daha sonra, bu serilerden iki tanesi bir sonraki değeri tahmin etmek için VAR modelinde bağımsız değişken olarak kullanılır. EMAVAR modelinin detayları şu şekilde açıklanabilir. Öncelikle Kamuoyu Aydınlanma Platformundan elde edilen 2012 – 2018 yılları arasındaki veriler (5- çalışma günü) alınmıştır. Elde edilen bu verilerde tatil günleri nedeniyle oluşan eksik değerler olduğu tespit edilmiştir. Daha sağlıklı tahminler elde edilmesi için veriler doğrusal enterpolasyon uygulanarak ortadan kaldırılmıştır ve bu süreç devam ettirilmiştir. Ayrıca, alınan 6 yıllık tam veri seti, tarihsel verilerin bağımsızlığını göstermek amacıyla 1 yıl ve 2 yıl bölümlerine ayrılmıştır. Daha sonra, MACD işlemi ayrı ayrı bu ayrılan veri bolümlerine uygulanmıştır. MACD 'den elde edilen tüm serilerin durağanlığı (ilgili serilerde birim kökün var olup olmadığı), Augmented Dickey – Fuller Birim Kök Testi ile tespit edilmiştir. Zaman serilerinin durağan olması olarak ifade edilen durum, zaman içinde varyansın ve ortalamanın sabit olması ve gecikmeli iki zaman periodundaki değişkenlerin ko-varyansının değişkenler arasındaki gecikmeye bağlı olup zamana bağlı olmaması olarak tanımlanabilir. MACD işleminden sonra elede edilen macd ve signal serileri bağımsız değişken olarak Vektör Otoregresif modelde kullanılmıştır. Bu uygulama farklı yıllardan oluşan serilere ayrı ayrı olarak yapılmıştır. Ek olarak, zaman serisi modellemelerinde kullanılan diğer modellerden biri Autoregression (AR) modelidir. Otoregresyon, gelecekteki keyfi bir dönem sayısını tahmin etmek için kullanılabilir. Bir AR modelinde, bağımlı değişken geçmişteki değerinin bir fonksiyonudur. Birçok zaman serisi de bu süreci içermektedir. Bu tezde AR modeli, EMAVAR modeli ile daha iyi tahmin verdiğini göstermek için aynı veri setlerinde kullanılmıştır. Tezin ilk ve ikinci bölümünde finansal zaman serilerinin öngörüsü için yapılan çalışmalar incelenmiş ve analiz edilmiştir. Daha sonra tezde kullanılacak olan modellerin matematiksel araştırmalarına ve destekleyici literatür bilgilerine Bölüm 3 'te yer verilmiştir. Korelasyon fonksiyonları, durağanlık tanımı ve tespit etme testleri, modellemenin tanımı, MACD teknik analiz indikatörü, AR modelinin detaylarına yine aynı bölümde yer verilmiştir. Tezin 4. Bölümünde finansal verilerin öngörüsü için oluşturulan yeni model EMAVAR 'ın detaylı açıklamaları mevcuttur. Farklı yıllardan oluşturduğumuz veri setlerine EMAVAR modelinin uygulanmasının detaylı adımları Bölüm 5'te yer almaktadır. Karşılaştırma amacıyla kullanıdığımuız AR modeli uygulamalarının detayları da yine bu bölümdedir. Son olarak, Bölüm 6 'da EMAVAR ve AR modelinin karşılaştırmalı sonuç tabloları bulunmaktadır. Bu tezin amacı, finansal serilerin öngörüsünde doğruluk tahminini iyileştirmek için yeni bir model oluşturmaktır. Özetle, bu tezde Exponential Moving Average Vector Autoregressive (EMAVAR) modeli, AR modeli ile karşılaştırılmıştır. Yapılan araştırmalar ve deneylerden elde edilen sonuçlara göre EMAVAR modeli 2 yıllık veri üzerinde diğerlerinden daha bulunmuştur.
Özet (Çeviri)
Forecasting is a significant process of the time series. It is the process of making predictions of the future by using the past and present data and generally by analysis of trends. Forecasting of stock price index and its movement are one of the most common research field about the financial time series. The financial time series are complicated and non-linear. By this cause, forecast financial time series is difficult. Additionally, the stock price index is affected by many factors like economic, social, political events in complicated manner. Although these issues, the forecast of stock index is one of most remarkable researches for many industrial experts and scholars. In this thesis, the new model EMAVAR is explained. The EMAVAR model is combined MACD and VAR model. Technical analysis is the process of examining a recent price to determine possible future prices. The moving averages is one of the oldest and most popular technical analysis tools. A moving average is the average of prices at a given time. There are five popular types of moving average: simple, exponential, triangular, variable and weighted. The important difference between these MAs is weight to the most recent data. MACD is the most common technical indicator in technical analysis. It uses Exponential Moving Average (EMA) while calculating. 26-days EMA and 12-days EMA of the data is calculated. Then, their subtraction of these EMAs gives the MACD line. The signal line is obtained from 9-days EMA of MACD. When MACD is applied, the experts comment to decide buy-sell (bearish-bullish) behavior. VAR is the most familiar forecasting model in the literature for multivariate time series. In VAR process, the endogenous (dependent variable) value is modeled with the exogenous (independent variable) values to estimate. VAR is used for multivariate time series. The purpose of thesis is to construct a new model to improve the accurancy estimation. The EMAVAR model uses different exogeneous variables which are occurred by the result of MACD process. Afterwards, exogeneous variable series is used in VAR process for anticipate the next value. The details of EMAVAR model is explained like as follows. First of all, obtained data from KAP which is the daily (5-days a week) closing stock prices of BIST-100 and the banking sector between 2012-2018, is rearranged to make healthy forecast. Missing data (by occurred because of public holidays) is eliminated with linear interpolation and process have been continued. Additionally, 6 years full data set is divided 1 year and 2 years parts with the purpose of the independence of historical data. After that, MACD process is applied on different data arrengement seperately. The stationarity of all obtained series from MACD is recognized with Unit Root Test. Finally, the VAR model is applied on this different series. In addition, one of other forecasting of time series model is Autoregression (AR) model. The autoregression can be used to forecast an arbitrary number of periods into the future. AR is used on the same data sets to compare and show the good estimation of EMAVAR model. To sum up, EMAVAR model is compared to AR model. According to the result of researches and experiments, EMAVAR model is better than the other is in 2 years.
Benzer Tezler
- Kesirli kalkülüs ve derin değerlendirme yaklaşımı ile havacılık verilerinin modellenmesi, etki faktörlerinin analizi ve öngörü çalışması
Modeling, predicting and impact factor analysis of transportation data via multi deep assessment methodology and fractional calculus
KEVSER ŞİMŞEK
Doktora
Türkçe
2024
Matematikİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
- Teknoloji tahmini için yeni bir model önerisi
A model proposal for technology forecasting
GİZEM İNTEPE
Doktora
Türkçe
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ TUFAN KOÇ
- Türkiye gün öncesi elektrik piyasasında saatlik fiyatların uzun dönemli olarak tahmin edilmesi için fundamental bir yöntem geliştirilmesi
Development of a fundamental model for forecasting long-term hourly prices in the Turkish day-ahead electricity market
OZAN KORKMAZ
Doktora
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. BİHRAT ÖNÖZ
- Talep tahmini için model topluluklarının kullanılması
Using ensembles of classifiers for demand forecasting
İREM İŞLEK
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞULE ÖĞÜDÜCÜ
- Alışveriş merkezleri için çeşitli çevresel faktörlere göre müşteri adedi tahminleme çalışması
Estimation of customer numbers for shopping centers according to various environmental factors
ÇAĞATAY ÖZDEMİR
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEZİ ÇEVİK ONAR