Geri Dön

Machine learning strategies for stock market predictions

Borsa tahminleri için makine öğrenimi stratejileri

  1. Tez No: 797280
  2. Yazar: AHMED RAAD AHMED ALZUABIDI
  3. Danışmanlar: Assist. Prof. Dr. TAMER UÇAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Hisse senedi fiyatlarını tahmin etmek, rastgele değişim içerdiği için zordur. Hisse senedi alıcıları, riski azaltarak getirileri artırabilir. Bu tez, hisse senedi fiyatlarını daha iyi tahmin etmek için derin öğrenme ile ağırlık hafızasının kombinasyonunu kullanan bir yöntem sunmaktadır. LSTM, GRU, SimpleRNN ile 1D-CNN incelenen yöntemler arasındadır. Borsaya milyonlara mal olabilecek tahmin hatalarını azaltmak için farklı yöntemlerin hata ölçümleri incelenmiştir. En düşük hata ölçümüne sahip en iyi tahmin modeli, gelecekteki borsa ticaretine ait işlemlerde en iyi cevabı verecektir. İncelenen yöntemlerden GRU ve 1D-CNN, en düşük kök ortalama kare hatasına sahiptir ve dolayısıyla en iyi tahmin yöntemidir. SimpleRNN, ortalama hata karesinde LSTM'den daha iyi performans gösterir. GRU ve 1D-CNN kombinasyonu ayrıca ortalama karesel hatada ve ortalama mutlak oran da en iyi performansı göstermektedir. GRU kombinasyonu en yüksek R2 puanını da elde etmektedir. Bu çalışmanın bulguları, literatür taramasından elde edilen diğer çalışmalarla karşılaştırılmış ve önerilen yöntemin daha iyi performans gösterdiğini, yani GRU ve 1D-CNN'nin en düşük hata potansiyeline sahip olduğunu göstermektedir.

Özet (Çeviri)

Predicting stock prices is difficult since they vary randomly. Stock purchasers can increase returns by reducing risk. This thesis presents a deep learning method for stock market prediction by suggesting the combination of deep learning with weight memory to better forecast stock prices. 1D-CNN with LSTM, GRU, or SimpleRNN are these methods. Error metrics have been studied to reduce predicting mistakes, which may cost the stock market millions. The best prediction model with the lowest error metric will answer future stock market trading with organization transactions. GRU and 1D-CNN have the lowest root mean squared error, giving them the best prediction method. SimpleRNN outperforms LSTM in the mean squared error. GRU and 1D-CNN also excelled in mean square error and meant absolute rate. The GRU combination won again with the highest R2 score. The findings of this study have been compared to other studies from the literature review and show that the proposed method performs better, meaning that GRU and 1D-CNN have the lowest error potential.

Benzer Tezler

  1. Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities

    Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği

    ABDURRAHMAN KILIÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Ekonometriİstanbul Teknik Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    PROF. DR. BÜLENT GÜLOĞLU

  2. A hybrid deep learning based framework for stock market prediction

    Başlık çevirisi yok

    DOAA AZEEZ AMEEN AL-BAIRMANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OSMAN NURİ UÇAN

  3. Temel ve teknik analize dayalı makine öğrenmesi ile hisse senedi fiyat tahmini: Rastgele orman sınıflandırması yaklaşımı

    Stock price prediction with machine learning based on fundamental and technical analysis: Random forest classification approach

    DENİZ KAVUK SALIŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiGebze Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ

  4. Stock trend prediction and portfolio optimization

    Hisse senedi trend tahmini ve portfoy optimizasyonu

    DENİZ PEKŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    EkonomiÖzyeğin Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. OKAN ÖRSAN ÖZENER

  5. Comparison of the performances of BIST 30 portfolios by using machine learning algorithms

    Makine öğrenmesi algoritmaları ile oluşturulan BİST 30 portföylerinin performanslarının karşılaştırılması

    FATİH ERİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Ekonomiİstanbul Bilgi Üniversitesi

    Finansal Ekonomi Ana Bilim Dalı

    DOÇ. DR. SERDA SELİN ÖZTÜRK