Geri Dön

Derin öğrenme teknikleri kullanılarak hisse senedi fiyatlarının tahmin edilmesi: BIST'te bir uygulama

Forecasting stock prices using deep learning techniques: An application in BIST

PDF İndir

  1. Tez No: 806061
  2. Yazar: ÖZGÜR SARACIK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYNUR İNCEKIRIK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Econometrics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Manisa Celal Bayar Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
  12. Bilim Dalı: Ekonometri Bilim Dalı
  13. Sayfa Sayısı: 121

Özet

Borsa yatırımcıları, kâr edebilmek amacıyla geleceği tutarlı bir şekilde öngörerek yerinde hamleler yapabilmelidir. Bu amaçla yatırımcılar sahip oldukları bilgileri doğru analiz edip başarılı tahminlerde bulunmalıdırlar. Gün geçtikçe daha da globalleşen finansal piyasalara yönelik gelecek fiyat tahminlerinde bulunmak gittikçe zorlaşmaktadır. Örneğin bazı zamanlarda Türkiye' deki bir hisse senedinin fiyat tahmini için sadece Türkiye' deki faktörler değil aynı zamanda dünyadaki diğer faktörlerin de göz önünde bulundurulması gerekmektedir. Dolayısıyla bu durumda basit istatistiksel hesaplamalar yetersiz kalmaktadır. Bu yetersiz kalmaya çözüm olarak bilgisayar programları ve bu programlar içerisindeki algoritmalar ile tekniklerden faydalanılmaktadır. Derin öğrenme, yaklaşık 80 yıl önce ilk kez temelleri atılan yapay zekânın en gelişmiş araçlarındandır ve son 10 senedir popülerliği artarak finans alanındaki çalışmalarda kendine çokça yer bulmaktadır. Çalışmanın birinci bölümünde Türkiye' de borsa ve enerji kaynakları hakkında bilgi verilmiştir. İkinci bölümde derin öğrenmenin tanımı, tarihçesi, teknikleri ve kullanım alanları tanıtılmıştır. Son bölüm olan üçüncü bölümde ise veri seti ve değişkenlerin tanıtılması, daha önce yapılmış benzer çalışmalar, yapılan uygulamanın adımları ve görselleri bulunmaktadır. Bu çalışmada bir hisse senedi tahmini için son gelişmiş teknolojilerden olan derin öğrenmenin LSTM (Long-Short Term Memory) ve GRU (Gated Recurrent Unit) teknikleri Google Colab programı ortamında uygulanmıştır. Çalışmada kullanılan veri seti Yahoo Finance' tan alınmış ve 02.01.2013 ile 30.12.2022 tarihleri arasını kapsamaktadır. BIST (Borsa İstanbul)' in bünyesinde yer alan XELKT (Borsa İstanbul Elektrik Endeksi) endeksine ait 5 şirket ele alınarak tahmin modelleri oluşturulmuştur. Ardından oluşturulan bu tahmin modellerinin başarıları hesaplanan model performans kriterleri ile test edilmiş ve kullanılan tekniklerin hisse senedi fiyat tahmini konusunda başarılı olup olmadığının belirlenmesi hedeflenmiştir. Buna ek olarak hesaplanan model performans kriterleri arasından MSE (Mean Squared Error) ve MAPE (Mean Absolute Percentage Error)' nin sonuçları baz alınarak kullanılan teknikler birbiriyle kıyaslanmış ve bu tekniklerden hangisinin daha az hata ile tahmin yaptığının tespit edilmesi amaçlanmıştır. Son olarak, 4 farklı gün sayısı alınarak yapılan analizlerden hangi gün ile daha başarılı tahminlerin yapıldığı kestirilmeye çalışılmıştır. Bu analizlerin sonucunda elde edilen model performans kriteri çıktıları, MSE için 1' in altında ve MAPE için de %5' in altında olduğundan dolayı iki tekniğin de başarılı fiyatı tahminleri gösterdiği söylenebilir. Sonuç olarak bu iki tekniğin birbiriyle karşılaştırılması neticesinde çok az bir farkla LSTM tekniğinin, GRU tekniğinden daha başarılı olduğu görülmektedir.

Özet (Çeviri)

Stock market investors should be able to make appropriate moves by predicting the future consistently in order to make a profit. For this purpose, investors should analyze the information they have correctly and make successful predictions. It is getting harder and harder to make future price predictions for financial markets, which are becoming more and more global day by day. For example, sometimes, for the price prediction of stock in Turkey, not only the factors in Turkey but also other factors in the world should be taken into consideration. Therefore, simple statistical calculations are insufficient in this case. As a solution to this inadequacy, computer programs and algorithms and techniques in these programs are used. Deep learning is one of the most advanced tools of artificial intelligence the foundations of which were laid for the first time about 80 years ago, and deep learning's popularity has increased in the last 10 years and has found a lot of place in studies in finance. In the first part of the study, information is given about the stock market and energy resources in Turkey. In the second part, the definition, history, techniques, and usage areas of deep learning are introduced. In the third section, which is the last section, there are the introduction of the data set and the variables, previous similar studies, the steps and visuals of the application. In this study, LSTM (Long-Short Term Memory) and GRU (Gated Recurrent Unit) techniques of deep learning, which are among the latest advanced technologies, were applied in the Google Colab program for stock price predictions. The data set used in the study was taken from Yahoo Finance and covers the dates between 02.01.2013 and 30.12.2022. Forecast models were created by considering 5 companies belonging to the XELKT (Borsa Istanbul Electricity Index) index, which is part of BIST (Borsa Istanbul). Afterward, the success of these prediction models were tested with the calculated model performance criteria and it was aimed to determine whether the techniques used were successful in stock price prediction. In addition, based on the results of MSE (Mean Squared Error) and MAPE (Mean Absolute Percentage Error) among the calculated model performance criteria, the techniques used were compared with each other and it was aimed to determine which of these techniques made predictions with less error. Then, from the analyzes made by taking 4 different days, it was tried to predict which day made the most successful predictions. As a last step, it is aimed to find a model with the least error by technique, epoch number, and number of day forecast for both MSE and MAPE on the basis of stocks. Since the model performance criteria outputs obtained as a result of these analyzes are below 1 for MSE and below 5% for MAPE, it can be said that both techniques show successful price predictions. As a result, as a result of the comparison of these two techniques with each other, it is seen that the LSTM technique is more successful than the GRU technique with a slight difference.

Benzer Tezler

  1. Tez No

    895426

    Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach

    Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi

    ŞEYMA EĞE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve Veri Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  2. Tez No

    855982

    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

  3. Tez No

    898498

    Forecasting stock prices using deep learning models with technical indicators

    Teknik göstergelerle derin öğrenme modelleri kullanarak hisse senedi fiyatı tahmini

    MİNE KONUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İstatistikAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA GÖÇKEN

  4. Tez No

    885503

    Machine learning applications for time series analysis

    Zaman serileri analizi için makine öğrenmesi uygulamaları

    MERT CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  5. Tez No

    750821

    Doğru yatırım kararları için yapay zekâ tekniklerini kullanarak borsa tahmininin kapsamlı analizi

    Comprehensive analysis of stock market prediction using artificial intelligence techniques for accurate investment decisions

    FARES ABDULHAFIDH DERHEM DAEL

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgi ve Belge YönetimiAtatürk Üniversitesi

    Yönetim Bilimleri Ana Bilim Dalı

    PROF. DR. UĞUR YAVUZ

Geri Dön