Data mining based on regularized convolutional neural network for time series: Financial prediction algorithm
Zaman serileri için veri madenciliği tabanlı düzenlileştirilmiş evrişimli sınır ağı: Finansal tahmin algoritması
- Tez No: 750048
- Danışmanlar: PROF. DR. SELMA AYŞE ÖZEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Mesafe tabanlı nitelikler, Hareketli Ortalama, Finansal Zaman Serisi Tahmini, Evrişimli Sinir Ağı, Distance-Based Features, Moving Average, Financial Time series Prediction, Convolutional Neural Network
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 128
Özet
Bu tezin amacı, zaman serilerini tahmin etmek için genelleştirilebilir bir mesafe tabanlı hareketli ortalama (DBEMA) yöntemi tasarlamaktır. Çalışmamızda, finansal zaman serileri olarak adlandırılan belirli bir zaman serisi alanına odaklandık. Tahmin doğruluğu performansını artırmak için, mesafe tabanlı hareketli ortalama yöntemi, Sınıflandırma ve Regresyon Ağacı (CART) tahmin edicilerini kullanarak Özyinelemeli Özellik Eliminasyonu (RFE) ve Gradyan Artırma Makinesi (GBM) kullanarak sıralı özellik seçimi (SFS) ile elde edilen nitelikler ile birleştirildi. Zaman serisi tahmini ve modellemesi için birçok yapay sinir ağı (YSA) uygulanmış olmasına rağmen, literatürde evrişimli sinir ağları (CNN) zaman serisi tahmini için doğrudan çok fazla kullanılmamıştır ve halen geliştirilmeye açıktır. Zaman serilerinin trendini DBEMA ile tahmin etmek için, zaman serileri farklı gecikmeli hareketli ortalama desenleri şeklinde tanımlanarak aralarındaki ilişkiler meydana çıkarılır. Zaman serilerinin gelecekteki eğilimlerini tahmin etmek için hareketli ortalamaların (MA) aralarındaki mesafe ve birbirlerine göre konumlarındaki değişimler incelenir. Öncelikle zaman serileri 9 günlük, 50 günlük, 200 günlük olmak üzere değişik bekleme süreleri içerecek şekilde tanımlanır ve her birinin birbirine göre konumları ve mesafeleri işaretlenir. DBEMA yönteminin performansını artırmak için, CART ve GBM algoritmaları sırası ile RFE ve SFS nitelik seçim modellerinde daha iyi finansal özellik seçmek için kullanılmıştır. Mesafeye dayalı özellikler ve seçilen finansal özelliklerin birleşimi 2-boyutlu görüntülere dönüştürülür ve ardından CNN kullanılarak sınıflandırılır. Deneysel sonuçlara göre önerilen CNN-DBEMA algoritması literatürdeki diğer sınıflandırma tekniklerinden daha iyi performans göstermektedir.
Özet (Çeviri)
This thesis aims to design a generalizable distance-based moving average (DBEMA) method for predicting time series. In our study, we focused on a specific area of financial time series. In order to increase the performance of prediction accuracy, DBEMA was combined with features selected by Recursive Feature Elimination (RFE) by using Classification and Regression Tree (CART) estimators and sequential feature selection (SFS) by using Gradient Boosting Machine (GBM). Although many artificial neural networks (ANNs) have been applied to a number of time series predictions and modelling, convolutional neural networks (CNN) have not been used much for time series prediction directly in literature and are still open to improvement. For predicting the trend of time series with DBEMA, time series are defined in the form of different time-lagged moving average patterns to identify the relations between each of them. The distances between moving averages (MA) and changes in their positions towards each other are examined for predicting future trends of time series. First of all, time series are defined so as to cover different time lags of 9 days, 50 days and 200 days in exponential moving average (EMA) forms and the distances between each of them and positions between each of them are marked. To improve the performance of the distance-based moving average method, CART and GBM algorithms are used for selecting better financial features in with RFE and SFS models, respectively. The combination of distance-based features and selected financial features are converted into 2-D images which are then classified by CNN. According to the experimental results, the proposed algorithm, CNN-DBEMA, outperforms other classification techniques in literature.
Benzer Tezler
- Web tabanlı öğrenme ortamında veri madenciliğine dayalı öğrenci değerlendirmesi
Student evaluation of data mining based on web-based learning environment
İDRİS GÖKSU
Yüksek Lisans
Türkçe
2012
Bilim ve TeknolojiFırat ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. BÜNYAMİN ATICI
- Gezgin satıcı problemi için veri madenciliği tabanlı bir model önerisi
Data mining based model for the traveling salesman problem
ATAKAN ALKAN
Doktora
Türkçe
2014
Endüstri ve Endüstri MühendisliğiKocaeli ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALPASLAN FIĞLALI
- Çoklu eleman takviyeli öğrenmeye veri madenciliği tabanlı yeni yaklaşımlar
Data mining based novel approaches to multiagent reinforcement learning
MEHMET KAYA
Doktora
Türkçe
2003
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ARSLAN
- Data mining-based power generation forecast at wind power plants
Rüzgâr enerji santrallerinde veri madenciliği tabanlı güç üretim tahmini
MEHMET BARIŞ ÖZKAN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
DOÇ. DR. PINAR ŞENKUL