Price forecasting with machine learning: An application in stainless steel industry
Makine öğrenmesi ile fiyat tahmini: Paslanmaz çelik sektörü uygulaması
- Tez No: 745828
- Danışmanlar: DOÇ. DR. HÜSEYİN SELÇUK KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Paslanmaz çelik beyaz eşyadan otomobile hayatın her alanında kullanılan katma değeri yüksek olan bir malzemedir. Fiyattaki sapmalar gibi herhangi bir değişikliğin paslanmaz çelik tedarik zincirine güçlü etkileri bulunmakta ve bu da bizlerin yaşantılarını doğrudan etkilemektedir. Bu çalışma paslanmaz çelik fiyat tahmini üzerine yapılmıştır. Çalışmada mevsimsel otoregresif entegre hareketli-ortalama (SARIMAX) ve uzun kısa vadeli hafıza (LSTM) zaman serileri tahminleme yöntemleri olarak kullanılmıştır. Çelik endüstrisinde tahminleme üzerine yazılmış birçok çalışma olmasına rağmen, paslanmaz çelik üzerine literatürde herhangi bir çalışma bulunmamaktadır. Bu nedenle bu çalışma, gelecekte bu alanda yapılacak çalışmalara örnek olması açısından da önemli olmaktadır. Bu çalışmanın amaçlarından bir tanesi de klasik ve yapay sinir ağları metodlarının performanslarını sırasıyla SARIMAX ve LSTM kullanarak kıyaslamaktır. Modellerin performanslarını ölçmek için iki paslanmaz çelik grubu olan 304 ve 430 serileri için farklı alt veri kümeleri ile birlikte 6 farklı senaryo oluşturulmuştur. Modellerin performansları ise hata kareler ortalamasının karekökü (RMSE), R-kare (R2), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hata (MAPE) gibi metrikler kullanılarak ölçülmüştür. 304 serisinde 5 yıllık veri kümesi ile birlikte SARIMAX, 430 serisinde ise 7 yıllık veri ile LSTM yöntemi daha iyi sonuçlar ortaya koymaktadır. Nihai olarak, uygun tahminleme metodunun verinin tipine ve boyutuna göre seçilmesi gerektiği sonucuna varılabilir.
Özet (Çeviri)
Stainless steel is a high value-added material used in various fields of life from white goods to cars. Any changes like price deviations have strong effects on supply chain in stainless steel and it directly affects our lives as well. This study is carried out in order to forecast the price of stainless steel. Seasonal auto-regressive integrated moving average with exogenous factors (SARIMAX) and long short-term memory (LSTM) are used as time series forecasting methods in this study. Although there are many studies written on forecasting in steel industry, none of the studies is about stainless steel in the literature. That is why this study is also important to be an example for future studies in this field. One of the purposes of this study is to compare the performance of classical and neural network methods by using SARIMAX and LSTM, respectively. We built 6 different scenarios for both 304 Series and 430 Series by creating subsets with different training and test set sizes in order to measure the performance of models. The performances of models are measured by using metrics such as root mean square error (RMSE), R-squared(R2), mean absolute Error (MAE) and mean absolute percentage error (MAPE). SARIMAX performs better for 304 series with 5 years of data set while 430 series is forecasted with high performance by LSTM model with 7 years of data set. Finally, it can be concluded that proper forecasting method should be chosen based on the data type and size.
Benzer Tezler
- Makine öğrenmesi ile hisse senetlerinin fiyat tahminlemesi: BİST 100' de bir uygulama
Price forecasting of shares by machine learning: An application in BIST 100
OSMAN NURİ AKARSU
- Uzun kısa süreli hafıza ve geçitli yinelenen birim ileborsa İstanbul 100 endeks değeri tahmini üzerine bir uygulama
An application on prediction of bist100 index value with lstm and gru
SERDAR TURAN
Yüksek Lisans
Türkçe
2019
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. İBRAHİM DEMİR
- Farklı döviz kurları ve emtia fiyatlarının makine öğrenmesi yaklaşımlarıyla tahmin edilmesi
Forecasting different exchange rates and commodity prices with machine learning approaches
SERKAN EREN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiÇukurova ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF KUVVETLİ
- Hisse senedi fiyat tahmininde ekonometrik ve makine öğrenme yöntemlerinin karşılaştırılması: BIST bankacılık uygulaması
Comparison of econometric and machine learning methods in forecasting stock price: An application on BIST banking
KORAY YAPA
- Derin öğrenme algoritmalarına dayalı tahmin: BİST100 ve USD/TRY üzerine bir uygulama
Prediction based on deep learning algorithms: an application on BİST100 and USD/TRY
TUĞBERK KORAY YÜCEL
Yüksek Lisans
Türkçe
2023
İstatistikGazi Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. NECLA GÜNDÜZ TEKİN