Machine learning strategies for stock market predictions
Borsa tahminleri için makine öğrenimi stratejileri
- Tez No: 797280
- Danışmanlar: Assist. Prof. Dr. TAMER UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- A hybrid deep learning based framework for stock market prediction
Başlık çevirisi yok
DOAA AZEEZ AMEEN AL-BAIRMANI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN NURİ UÇAN
- 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
2024
Endüstri ve Endüstri MühendisliğiGebze Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ
- Stock trend prediction and portfolio optimization
Hisse senedi trend tahmini ve portfoy optimizasyonu
DENİZ PEKŞEN
Yüksek Lisans
İngilizce
2022
EkonomiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN ÖRSAN ÖZENER
- 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
2021
Ekonomiİstanbul Bilgi ÜniversitesiFinansal Ekonomi Ana Bilim Dalı
DOÇ. DR. SERDA SELİN ÖZTÜRK