Employing deep learning approaches for financial time series analysis
Derin öğrenme yaklaşımlarının finansal zaman serileri analizinde kullanılması
- Tez No: 796127
- Danışmanlar: DOÇ. DR. ENGİN YILDIZTEPE
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 61
Özet
Yapay zeka (YZ), finans sektöründe algoritmik ticaret, portföy tahsisi ve hisse senedi getiri tahminleri de dahil olmak üzere çok çeşitli işlemleri yönetmek için kullanılmaktadır. Özellikle hisse senedi getirilerinin tahmin edilmesi son zamanlarda gündemde olan bir konudur. Hisse senedi getirisini tahmin etmek için güvenilir bir model seçmek çok önemlidir ve makine öğrenimi, örüntü tanıma ve yapay zeka dahil olmak üzere çeşitli araçlar kullanılmaktadır. Birçok çalışma, tekrarlayan sinir ağı (TSA) modellerinin tahmin gücünü göstermiş olsa da, çok azı hisse senedi getirisi tahmininde zamansal evrişimsel ağlarının (ZEA) tahmin performansını sistematik olarak araştırmıştır. ZEA'lar önceki getiriler ile mevcut hisse senedi fiyat değişiklikleri arasındaki uzun vadeli korelasyonları daha iyi yakalayabildiğinden, TSA'lara göre daha üstün hisse senedi getirisi tahmini sağlar. Bu tez çalışmasında, gelişmiş makine öğrenimi ve derin öğrenme modellerinin gelecekteki hisse senedi getirilerini ne kadar iyi tahmin ettiği araştırılmıştır. Bu amaçla, doğrusal regresyon, ağaç regresyonu ve tekrarlayan sinir ağlarına dayalı olan çok sayıda tahmin modeli kullanılmıştır. Tahmin modellerinin göreceli performansı, farklı piyasa senaryolarında analiz edilmiştir. Model güven kümesi testi kullanılarak, hangi modelin (veya modellerin) hisse senedi getirilerini öngörmede istatistiksel olarak daha üstün olduğu analiz edilmiştir. Dört farklı finansal zaman serisi üzerinde yapılan deneysel çalışma ZEA modelinin örneklem dışı tahmin doğruluğu açısından rakip modellerden daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
Artificial intelligence (AI) is used in the financial industry to manage various operations, including algorithmic trading, portfolio allocation, and stock return predictions. Predicting stock returns, in particular, has been a hot topic recently. Picking a reliable model to predict stock returns is crucial, and there are several tools, including machine learning, pattern recognition, and artificial intelligence. Although a number of studies have reported on the accuracy of predictions made by models based on recurrent neural networks (RNNs), relatively few have investigated in detail the accuracy of predictions made using temporal convolution networks (TCNs) in the context of stock return forecasting settings. Since TCNs can better capture long-term correlations between previous returns and present stock price changes, it provides superior stock return forecasting over RNNs. Through this thesis, we assess how well state-of-the-art machine learning and deep learning models predict stock returns. To this end, we employ numerous predictive models, such as those based on linear regression, tree regression, and recurrent neural networks. We analyze the relative performance of the predictive models across various market scenarios by comparing and contrasting their respective findings. Using the model confidence set, we also show which model (or models) is statistically superior at projecting stock returns. Empirical results on four financial datasets show that the TCN model outperforms competing models in terms of out-of-sample forecast accuracy.
Benzer Tezler
- Makine öğrenme yöntemlerini kullanarak çok değişkenli zaman serisi analizi ve tahmin
Multivariate time series analysis and forecasting using machine learning methods
LUBNA ALANIS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAMZA EROL
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Finansal zaman serisi verilerini görüntülere kodlanarak top-luluk evrişimli sinir ağları yöntemi ile tahmin edilmesi
Encoding time-series data into images for financial forecasting using convolutional neural networks (CNN)
SHIRAZ AMADU BELLO
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA CEM KASAPBAŞI
- Kamboçya ilkokullarında öğretimin ve öğrenme kalitesinin geliştirilmesinde okul yöneticisinin pedagojik liderlik uygulamaları
The principal's praxis of pedagogical leadership in nurturing teaching and learning in Cambodian primary school
SATH SORM
Doktora
Türkçe
2019
Eğitim ve ÖğretimAkdeniz ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. İLHAN GÜNBAYI
- A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing
Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak
AMIR AL KADAH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ BALTA