Derin öğrenmede istatistiksel yöntemlerle hisse senedi fiyatı öngörüsü
Stock price forecast with statistical methods in deep learning
- Tez No: 731921
- Danışmanlar: DR. ÖĞR. ÜYESİ CÜNEYT TOYGANÖZÜ
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Matematik, İstatistik, Econometrics, Mathematics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Yapay zeka ve makine öğrenmesinin bir alt kategorisi olan derin öğrenme, finanstan sağlığa, ses tanımadan duygu analizine her alanda uygulaması olan bir öğrenme yöntemidir. Bu tez çalışmasında önce derin öğrenmenin tarihçesi, temelleri, algoritmaları ve modelleri hakkında bilgiler verilmiş, derin öğrenme modellerinden Yinelemeli Sinir Ağları (RNN), Uzun-Kısa Dönem Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) modelleri karşılaştırılarak bir şirketin hisse senedi günlük kapanış değerleri ile 30, 60, 90, 120 günlük fiyat öngörüsü yapılmıştır. Ayrıca, derin öğrenme uygulamalarında, zaman serisi analizinde kullanılan varsayımların yapılan tahmin veya öngörüleri etkilemediği, gereken birim-kök testleri kullanılarak gösterilmiştir. Kullanılan veri grubundan elde edilen sonuçlar ile Geçitli Tekrarlayan Birim'in (GRU), Uzun-Kısa Dönem Bellek (LSTM) ve Yinelemeli Sinir Ağları'na (RNN) göre daha başarılı tahmin yaptığı gözlemlenmiştir.
Özet (Çeviri)
Deep learning, a subcategory of artificial intelligence and machine learning, is a learning method that has applications in every field from finance to health, from voice recognition to sentiment analysis. In this study, information about the history, foundations, algorithms and models of deep learning is given, Then, by comparing deep learning models, Recurrent Neural Networks, Long-Short Term Memory and Gated Recurrent Unit models, the Daily closing values of shares of owned by a company . Price Forecasts were made for 30, 60, 90, 120 days. In addition, in deep learning applications, it has been shown by using necessary Unit-Root Tests that the assumptions used in time series analysis don't affect the forecasts or forecasts made. With the results obtained from the data set used, it has been observed that the Gated Recurrent Unit (GRU) predicts more successfully than Long-Short-Term Memory (LSTM) and Iterative Neural Networks (RNN).
Benzer Tezler
- Relationship between e-reputation and stock performance: Evidence from Turkish Airline industry
E-itibar ve hisse senedi performansı ilişkisi: Türk Hava Yolları sektöründen kanıtlar
JAVİD İSMAYİL
Yüksek Lisans
İngilizce
2022
İşletmeİstanbul Ticaret Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
DOÇ. DR. OĞUZ DEMİR
- 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
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- 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
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN