Geri Dön

Yinelemeli sinir ağları ile finansal veri tahmini

Financial data prediction with recurrent neural networks

  1. Tez No: 650954
  2. Yazar: EKİN KEÇECİ
  3. Danışmanlar: PROF. DR. TURHAN MENTEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 46

Özet

Yinelemeli sinir ağları (RNN) elde edilen çıktıların her adımda ağa tekrar dahil edildiği yapay sinir ağı modelidir. Yinelemeli sinir ağlarının en büyük avantajı sıralı verilerde her bir örneğin önceki örneklere bağlı olarak değişimini göz önünde bulundurmasıdır. Yinelemeli sinir ağı modelleri geliştikçe bazı teorik engeller ortaya çıkmış ve bu engellere çözüm olarak farklı modeller geliştirilmiştir. Uzun Süreli Kısa Dönemli Hafıza (LSTM) ağlarının, bu modeller arasında en çok ilgi gören ve en iyi tasarlanmış yinelemeli sinir ağı modellerinden biri olduğu söylenebilir. Bu çalışmada, uygulama bölümünde LSTM modelinin finansal varlık fiyatlarının değerlendirilmesinde diğer sinir ağı modellerine göre başarısı ölçümlenmiştir. LSTM modelinin kıyaslanan diğer modellerden daha iyi sınıflama başarısı verdiği görülmüştür.

Özet (Çeviri)

Recurrent Neural Network is an artificial neural network model which the outputs are re-included to network input in every iteration. The biggest advantage of recurrent neural networks is that they consider the variation of each sample in the sequential data depending on the previous examples. As reccurent neural network models developed, some theoretical obstacles emerged and different models were developed as solutions to these obstacles. It can be said that Long term short term memory (LSTM) networks are one of the most popular and best designed reccurent neural network models among these models. In this study, the success of LSTM model is compared to other neural network models in evaluating financial asset prices. The LSTM model gave better classification accuracy than other compared models.

Benzer Tezler

  1. Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma

    A study on direction prediction of capital markets with recurrent neural networks

    MUHİDDİN ÇAĞLAR EREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  2. 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

  3. Exploiting clustering patterns in training sets to improve classification performance of fully connected layers

    Tam bağlantılı katmanların sınıflandırma performansını iyileştirmek için eğitim setlerindeki kümeleme örüntülerinden faydalanma

    TOLGA AHMET KALAYCI

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. UMUT ASAN

  4. Comparative analysis of LSTM model in predicting ETF stock prices for different sectors

    Farklı sektörler için ETF fiyatları tahmininde LSTM modelinin karşılaştırmalı analizi

    BURAK YÜKSEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    EkonometriMarmara Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    PROF. DR. ENGİN SORHUN

  5. Yinelemeli sinir ağları ile işaret dili tanıma

    Sign language recognition with recurrent neural networks

    İBRAHİM ÇETİNKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAMER ÖLMEZ