Geri Dön

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

PDF İndir

  1. Tez No: 750048
  2. Yazar: UĞUR EJDER
  3. Danışmanlar: PROF. DR. SELMA AYŞE ÖZEL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Mesafe tabanlı nitelikler, Hareketli Ortalama, Finansal Zaman Serisi Tahmini, Evrişimli Sinir Ağı, Evrişimli sinir ağları, Gradyan artırma algoritması, Zaman serileri analizi, Distance-Based Features, Moving Average, Financial Time series Prediction, Convolutional Neural Network, Convolutional neural networks, Gradient boosting algorithm, Time series analysis
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    66388

    Adaptive shape from shading

    Uyarlanır düzenleme yöntemiyle görüntü tonlarından şekil elde etme

    ATİLLA GÜLTEKİN

    Doktora

    İngilizce

    İngilizce

    1997

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHİTTİN GÖKMEN

  2. Tez No

    660472

    Türkiye'de su hakkı

    The right to water in Turkey

    YILDIZ AKEL ÜNAL

    Doktora

    Türkçe

    Türkçe

    2021

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. ERDOĞAN BÜLBÜL

  3. Tez No

    769817

    Data mining approach based on harris hawks optimization (HHO) algorithm for multiple sclerosis lesions segmentation on brain magnetic resonance images

    Beyin manyetik rezonans görüntülerinde çoklu skleroz lezyonları için harrıs hawks optimizasyonu (HHO) algoritmasına dayalı veri madenciliği yaklaşımı

    AMAL F A ISWIASI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OĞUZ KARAN

  4. Tez No

    497861

    Estimation of heart disease based on data mining using patients health database

    Hasta sağlığı veri tabanı kullanarak veri madenciliğine dayalı kalp hastalığı tahmini

    AZHAR HATEM JEBUR AL BAIDHANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Ana Bilim Dalı

    Assist. Prof. YASA EKŞİOĞLU ÖZOK

  5. Tez No

    1010053

    An approach based on data mining and feature dimension reduction techniques for analysing heart disease data

    Kalp hastalığı verilerinin analizinde veri madenciliği ve öznitelik boyut azaltma tekniklerine dayalı bir yaklaşım

    AHMAD AYID AHMAD AHMAD

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN POLAT

Geri Dön