Stock market prediction using machine learning models
Makine öğrenmesi modellerini kullanarak hisse senedi öngörüsü
- Tez No: 647452
- Danışmanlar: DR. ÖĞR. ÜYESİ ZERRİN IŞIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Borsa verilerinin öngörüsü, bu alandaki verilerin dinamik ve karmaşık yapısı nedeniyle zorlu bir iştir. Burada, hisse senedi fiyatlarını öngörebilmek için farklı veri kaynaklarını ve derin öğrenme mimarileri kullanmanın etkileri üzerine kapsamlı bir analiz sunuyoruz. Derin öğrenme modellerinin başarımındaki en büyük etmenlerden birisi verilerin etkili bir şekilde temsil edilmesidir. Bu çalışmada, hisse senedi piyasaları üzerinde finansal dış etkilere neden olabilecek haber makaleleri üzerinde duygu analizi yapılmış ve hisse senedi fiyat veri setlerinden çeşitli teknik göstergeler çıkarılmıştır. Veri gösterimi dışında, derin öğrenme algoritmalarının başarımı hiperparametrelerine bağlıdır, bu nedenle otomatik Bayes optimizasyonunu kullanarak geliştirilen derin öğrenme modellerini optimize ettik. NASDAQ ve NYSE hedef pazarlarında işlem gören on farklı hisse senedi veri setinden günlük kapanış fiyatlarınını öngörebilmek için optimum Evrişimsel Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (UKB) ve Yığınlı Otomatik Kodlayıcı modellerini geliştirdik. Çalışmamız duygu analizinin hisse senedi öngörüsü üzerindeki etkilerini ve karmaşık veri sunumlarında önerilen derin öğrenme modellerinin değerlendirilmesini kapsamaktadır. Öngörünün değerlendirilmesi çeşitli hata ölçevleri ile analiz edilmiştir. Elde edilen sonuçlar, geliştirilen ESA modelinin diğer modellerden daha iyi başarım sağladığını göstermiştir. Duygu analizi ve teknik göstergelerin entegrasyonu, özellikle UKB modelinin öngörü başarımını iyileştirmiştir. Yüksek sıklığa sahip veriler otomatik öznitelik çıkarımı ile birleştirildiğinde hisse senedi öngörüsü daha gürbüz olarak gerçekleştirilebilir.
Özet (Çeviri)
Forecasting on stock market data is a challenging task due to dynamic and complex nature of the data in this field. Here, we present a comprehensive analysis on effects of using different data sources and deep learning architectures for forecasting stock prices. One of the biggest factors in the performance of deep learning models is effective representation of data. In this study, sentiment analysis was conducted on news articles that may cause financial external effects on stock markets, and various technical indicators extracted from the stock price datasets. Other than data representation, the performance of deep learning algorithms is dependent on hyperparameters, thus, we optimized various hyperparameters of the developed deep learning models using automated Bayesian optimization. We developed optimal Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Stacked Autoencoder (SAE) models for forecasting daily close prices from ten different historical stock price datasets traded on NASDAQ and NYSE target markets. Our study covers the effects of sentiment analysis on stock market forecasting and assessment of the proposed deep learning models in complex data representation. The evaluation of forecasting is analyzed with several error metrics. The obtained results revealed that the developed CNN model provides better performance than other ones. The integration of sentiment analysis and technical indicators improved the prediction performances, especially in the LSTM model. Forecasting on stock market data could be more robust when higher frequency data is coupled with automated feature extraction.
Benzer Tezler
- Hisse senedi alım satımında parçacık sürü optimizasyonu tabanlı CNN-LSTM ağlarının kullanılması
Using particle swarm optimization-based CNN-LSTM networks in stock trading
AHMET BEDİRHAN SAĞIR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNA APAK
- Makine öğrenmesi yöntemlerini kullanarak bir petrokimya firmasının hisse senedi fiyat tahmini
Stock price prediction of a petrochemical company using machine learning methods
ŞEVVAL TOPRAK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL
- Sınıflandırma algoritmaları ile borsa endeks yön tahmini
Stock market index direction prediction with classification algorithms
MUSTAFA AKGÜL
Yüksek Lisans
Türkçe
2024
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. GÜLDER KEMALBAY
- Yapay zekâ yöntemleriyle borsa endeksinin yönünün tahmini üzerine bir çalışma: Karşılaştırmalı analiz
A study on the prediction of the direction of the stock market index with artificial intelligence methods: Comparative analysis
MUSTAFA YILDIZ
Yüksek Lisans
Türkçe
2022
MatematikHatay Mustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OĞUZ KILIÇOĞLU
- Pre-release forecasting of imdb movie ratings using multi-view data
Gösterime girmemiş filmlerin ımdb puanının farklı özellik kümeleri kullanılarak tahmin edilmesi
BEYZA ÇİZMECİ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ