Stock price prediction using deep learning methods in high-frequency trading
Derin öğrenme metotlarını kullanarak yüksek frekanslı işlemlerde borsa fiyat tahmini
- Tez No: 701287
- Danışmanlar: DR. AYŞE NURDAN SARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Borsa analizleri finansal, politik ve sosyal göstergeler göz önünde bulundurularak yapılırken, büyük veri ve derin öğrenme teknolojilerindeki önemli gelişmeler araştırmacı ve yatırımcıların dikkatini bilgisayar destekli analizlere yöneltmiştir. Bu çalışmada temel olarak kullanılan Bütünleşik Otoregresif Hareketli Ortalama (ARIMA) modelinin yanında Uzun Kısa-Dönem Hafızalı (LSTM) ağlar, Kapı Özyinelemeli Geçitler (GRU), Uzun Kısa-Dönem Hafızalı ağlarda Dikkat Mekanizması olmak üzere dört farklı model incelenmiştir. Borsa İstanbul verileriyle gerçekleştirilen çalışmada gün içi verileriyle tahminler gerçekleştirilmiĢtir. Yapılan test çalışmaları sonucunda Kapı Özyinelemeli Geçitler'in diğer modellere göre daha iyi sonuç verdiği görülmüştür.
Özet (Çeviri)
The stock market analysis examines and evaluates the stock market by considering the financial, political, and social indicators to make future predictions. Breakthrough results of advancements in big data and deep learning technologies attract the attention of researchers and traders to computer-assisted stock market analysis. There are several studies on stock market analysis using conventional machine learning and deep learning models. In this paper, we used Autoregressive Integrated Moving Average (ARIMA) as a base model and compared it with three different models of Recurrent Neural Networks: Long Short-Term Memory (LSTM) networks, Gated Recurrent Unit (GRU), LSTM with an attention layer model. We compare the results and performance of four different models on Borsa Istanbul data while making intraday predictions. Even though the LSTM results are very close to the GRU model, GRU slightly outperforms the others.
Benzer Tezler
- Improving time series forecasts through predictive error compensation and deep feature fusion
Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇
MUHAMMED ENES BAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Deep wavelet neural network for spatio-temporal data fusion
Uzamsal-zamansal veri füzyonu içinderin dalgacık sinir ağları
AJLA KULAGLIC
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities
Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği
ABDURRAHMAN KILIÇ
Doktora
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- Metin madenciliği ve derin öğrenme yöntemleri kullanılarak borsadaki hareketlerin sosyal medya ile ilişkisinin analiz edilmesi
Analyzing the relationship between stock market movements and social media using text mining and deep learning methods
METİN OKTAY BOZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ JALE BEKTAŞ
- Dalgacık dönüşümü ve derin öğrenme yöntemleri ile hisse senedi fiyat tahmini
Stock price prediction with wavelet transform and deep learning methods
ÇAĞRI ÇOBAN
Yüksek Lisans
Türkçe
2023
EkonometriAydın Adnan Menderes ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. ELVAN HAYAT