Geri Dön

Employing deep learning approaches for financial time series analysis

Derin öğrenme yaklaşımlarının finansal zaman serileri analizinde kullanılması

  1. Tez No: 796127
  2. Yazar: FIRAT MELİH YILMAZ
  3. Danışmanlar: DOÇ. DR. ENGİN YILDIZTEPE
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMZA EROL

  2. Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma

    Generating image hash codes with deep reinforcement learning method

    ELİF AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURHAN BARAKLI

  3. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA CEM KASAPBAŞI

  4. 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

    Türkçe

    2019

    Eğitim ve ÖğretimAkdeniz Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. İLHAN GÜNBAYI

  5. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DENİZ BALTA