Performance of hybrid machine learning algorithms on financial time series data
Hibrit makine öğrenme algoritmalarının finansal zaman serileri verileri üzerindeki performansı
- Tez No: 661638
- Danışmanlar: DOÇ. DR. CEYLAN YOZGATLIGİL, PROF. DR. ÖMÜR UĞUR
- Tez Türü: Yüksek Lisans
- Konular: Maliye, Matematik, İstatistik, Finance, Mathematics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Uygulamalı Matematik Enstitüsü
- Ana Bilim Dalı: Finansal Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Makine öğrenimi modelleri aracılığıyla zaman serisi tahmini
Time series forecasting through machine learning models
CANBERK BULUT
Yüksek Lisans
Türkçe
2023
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BURCU HÜDAVERDİ AKTAŞ
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ULUTAŞ
- Karma frekanslı zaman serilerinin modellenmesi: Büyük veri örneği
Modeling of mixed frequency time series: Big data example
GÖZDE BOZKURT
- 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
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI