Geri Dön

Performance of hybrid machine learning algorithms on financial time series data

Hibrit makine öğrenme algoritmalarının finansal zaman serileri verileri üzerindeki performansı

  1. Tez No: 661638
  2. Yazar: MERVE GÖZDE SAYIN
  3. Danışmanlar: DOÇ. DR. CEYLAN YOZGATLIGİL, PROF. DR. ÖMÜR UĞUR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Maliye, Matematik, İstatistik, Finance, Mathematics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Uygulamalı Matematik Enstitüsü
  11. Ana Bilim Dalı: Finansal Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 111

Özet

Piyasayı yansıtan hisse senedi endeksleri tahminlemesi uzun zamandır süregelen önemli bir tartışma konusudur. Bu doğrultuda çeşitli modeller kullanılmş olsa da tarihsel olarak önce istatistiksel metotlar ve daha sonra yapay zekanın hayatımıza girmesiyle beraber çeşitli makine öğrenmesi metotları denenmiştir. Literatüre göre en çok sinir ağları ve ağaç bazlı modeller kullanılmıştır. Bu doğrultuda ise bu tezde sinir ağları yöntemlerinden finansal veriler için en fazla tercih edilen LSTM ve ağaç bazlı modellerden son zamanların gözdesi olan XGBoost ve bu iki modelin hibritlenmesinden meydana gelen toplam dört model incelenmiştir. Ayrıca bu modeller üçü Avrupa, üçü Asya ve üçü Amerika olmak üzere dokuz farklı hisse senedi endeksi üzerinde uygulanmış ve en iyi sonucu veren model MASE değerlendirme kriterine göre açıklanmıştır.

Özet (Çeviri)

Estimating stock indices that reflect the market has been an essential issue for a long time. Although various models have been studied in this direction, historically, statistical methods and then various machine learning methods have to introduced artificial intelligence into our lives. Related literature shows that neural networks and treebased models are mostly used. In this direction, in this thesis, four different models are examined. The first one is the most preferred neural network method for financial data called LSTM, and the second one is one of the most preferred tree-based models called XGBoost, and the third and the fourth models are the hybridizations of LSTM and XGBoost. Besides, these models have been applied to the total of nine stock market indexes, three from European markets, three from Asian and three from American markets, and the model that gives the best results is determined according to the Mean Absolute Scaled Error (MASE) evaluation criteria.

Benzer Tezler

  1. Makine öğrenimi modelleri aracılığıyla zaman serisi tahmini

    Time series forecasting through machine learning models

    CANBERK BULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. BURCU HÜDAVERDİ AKTAŞ

  2. Fraud detection on the time series data with machinelearning and deep learning techniques

    Makine öğrenimi ve derin öğrenme teknikleri ile zaman serisi verileri üzerinde sahtekarlık tespiti

    EMAN MOHAMEDRAMZI ABDULKARIM ABDULKARIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ULUTAŞ

  3. Karma frekanslı zaman serilerinin modellenmesi: Büyük veri örneği

    Modeling of mixed frequency time series: Big data example

    GÖZDE BOZKURT

    Doktora

    Türkçe

    Türkçe

    2022

    EkonometriMarmara Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. ŞEVKET IŞIL AKGÜL

  4. Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms

    Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak

    CEM ÖZEN

    Doktora

    İngilizce

    İngilizce

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ DENİZ

  5. Derin öğrenme ile kripto para piyasasında kısa vadeli tahmin gerçekleştirilmesi

    Making short-term forecasting in the cryptocurrency market with deep learning

    MUHAMMED ALPEREN MOĞOL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. NECAATTİN BARIŞÇI