Geri Dön

Deep learning for time-series forecasting of currency exchange rates

Döviz kuru oranlarının zaman serisi tahmini için derin öğrenme

  1. Tez No: 609492
  2. Yazar: MUSTAFA JABBAR SAFI AL-ASADI
  3. Danışmanlar: PROF. DR. MEHMET FATİH AKAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 135

Özet

Bu tezin temel amacı, derin öğrenme yöntemlerini kullanarak döviz kurlarının zaman serisi tahmini için yeni doğru modeller geliştirmek, yani Yinelenen Sinir Ağı (RNN), Uzun Kısa Süreli Bellek (LSTM), Evrişimli Sinir Ağı (CNN) ve Otoregresif Entegre Hareketli Ortalama (ARIMA) saatlik ve günlük veri setlerinde üç döviz çiftinin (USD / TRY), (EUR / TRY) ve (EUR / USD) kapanış oranlarını tahmin etmektir. Gelişim ortamı tarafından tahmin modelleri iki farklı tahmin yaklaşımı (Eğitim test oranı) ve öngörü modelleri (tahmin sayısı) oluşturulmuştur. Tüm modellerin performansı, Ortalama Mutlak Yüzde Hatası (MAPE) değerleri hesaplanarak değerlendirilmiştir. Elde edilen sonuçlara göre, tahmin modelleri tüm yöntemler için tahmin modellerine kıyasla daha iyi sonuçlar vermektedir. Genel olarak, CNN tabanlı modeller, diğer yöntemlerle geliştirilen modellerden daha iyi performans göstermektedir. Tahmin modellerine yönelik yöntemlerin, MAPE'lere dayanan performansları bakımından en iyiden en kötüsüne kadar olan sıraları CNN, RNN, LSTM ve ARIMA'dir, modellerin tahmininde ise yöntemlerin uygunluk sırası CNN, LSTM, RNN ve ARIMA olarak görünmektedir.

Özet (Çeviri)

The main objective of this thesis is to develop new accurate models for time series forecasting of currency exchange rates using deep learning methods, namely Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN) and Auto-Regressive Integrated Moving Average (ARIMA) to forecast closing rates of three currency pairs, which are (USD/TRY), (EUR/TRY) and (EUR/USD) for hourly and daily data sets. Two different prediction approaches created by the development environment, which are prediction models (train-test ratio) and forecasting models (number of forecasts). The performance of all models was evaluated by calculating the values of Mean Absolute Percentage Error (MAPE). According to the results obtained, the forecasting models yields better results compared to prediction models for all methods. Generally, CNN based models show better performance than the models developed by other methods. The order of the methods for prediction models in terms of their performance based on the MAPE's, from the best to the worst, is CNN, RNN, LSTM and ARIMA while for forecasting models the favorability order for the methods appears as CNN, LSTM, RNN and ARIMA.

Benzer Tezler

  1. Evaluation of bitcoin price changes before and after COVID-19 by machine learning, time series analysis and deep learning algorithms

    COVID-19 öncesi ve sonrasındaki bitcoin fiyat değişimlerinin makine öğrenmesi, zaman serileri analizi ve derin öğrenme yöntemleriyle değerlendirilmesi

    UĞUR KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İHSAN TOLGA MEDENİ

  2. Generating an explainable time-series forecasting using heterogeneous mixture of experts with large language models

    Büyük dil modelleriyle birlikte farklı yapıda uzmanların karışımını kullanarak açıklanabilir bir zaman serisi tahmini oluşturma

    İSMAİL BALABAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. FULYA GÖKALP YAVUZ

  3. A comparative study of deep learning techniques for time series forecasting in energy consumption prediction

    Derin öğrenme teknikleri ile enerji tüketimini tahmin etmek için zaman serisi tahminine yönelik karşılaştırmalı bir çalışma

    MUTAKABBIR AHMED TAYIB

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. TUĞBA TAŞKAYA TEMİZEL

    PROF. DR. CEYLAN TALU YOZGATGİL

  4. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  5. A comparative study of deep learning architectures for multivariate cloud workload prediction

    Çok değişkenli bulut iş yükü tahmini için derin öğrenme mimarilerinin karşılaştırmalı çalışması

    DERYA GÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM KÖRPEOĞLU