Geri Dön

Topluluk öğrenme yöntemleri kullanılarak finansal varlıklar için algoritmik işlem stratejilerinin geliştirilmesi

Development of algorithmic trading strategies for financial assets using ensemble learning methods

PDF İndir

  1. Tez No: 824134
  2. Yazar: ÜZEYİR AYCEL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YUNUS SANTUR
  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: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Zaman serileri olarak ele alınan finansal varlıklar yapısı gereği kaotiktir. Kaotik olan bu seri üzerinde geleceğe yönelik tahminlerde bulunarak doğru zamanda, doğru yönde pozisyon almak yatırımcıların temel hedefidir. Bu zaman serileri belirli bir periyottaki açılış, kapanış, en düşük ve en yüksek fiyatından oluşmaktadır. Hareketli ortalamalar veya teknik göstergeleri kullanarak eğilim (trend) yönü ve gücü hakkında tahminler yapmak için kullanılan istatistiksel yaklaşımlar gürültü ve gecikme problemlerine sahip olabilmektedirler. Mum grafikler bahsi edilen açılış, kapanış, en düşük ve en yüksek fiyatları tek bir görselde konsolide ederek, fiyat hareketlerinin yorumlanmasını kolaylaştırmalarının yanı sıra ayı ve boğa yatırımcılarının fiyat temelli psikolojilerini de yansıtırlar. Tarihte ilk defa Japon pirinç piyasalarına uygulandığı ve 100'den fazla mum formasyonu olduğu bilinmektedir. Tez çalışmasında mum grafik formasyonlarının tanımlanması ve finansal varlıklar için farklı makine öğrenmesi yaklaşımlarının topluluk öğrenmesi ile entegre edilmesi ve bunlara dayalı akıllı öğrenme algoritmalarının geliştirilmesi için fabrika deseni ve nesne tabanlı yaklaşım kullanan genişleyebilir mimaride bir yazılım çatısı önerilmiştir. Bu kapsamda entegre edilen yaklaşımlardan birisi seçilen teknik göstergelerin öznitelik olarak finansal tahminde kullanılmasıdır. Son olarak yatırımcıların kullandığı stratejiler kural tabanlı olarak kodlanarak üç ana yaklaşım geliştirilmiştir. Bu üç ana yaklaşım topluluk öğrenme yaklaşımlarında kullanılan oylama prensibi ile birleştirilerek sonuçlar karşılaştırılmıştır. Tez çalışmasında Dow30 endeksine ait hisse senetleri üzerinde finansal varlık için test edildiğinde, önerilen topluluk öğrenme yaklaşımı ile Al ve Tut stratejisinden ve geleneksel makine öğrenmesi yaklaşımlarından daha iyi sonuçlar elde edilebilmiştir. Bu sonuçlar kümülatif portföy kazancı, maksimum geri çekilme, karlı işlem yüzdesi gibi metrikler için detaylı olarak verilerek tüm sonuçlar karşılaştırılmıştır.

Özet (Çeviri)

Financial assets, which are considered time series, are chaotic in nature. It is the main goal of investors to take a position at the right time and in the right direction by making future predictions on this chaotic series. These time series consist of the opening, closing, lowest and highest price in a certain period. Statistical approaches used to make predictions about trend direction and strength using moving averages or technical indicators can have noise and lag problems. Candlestick charts consolidate the mentioned opening, closing, lowest and highest prices in a single image, making it easier to interpret price movements, as well as reflecting the price-based psychology of bear and bull investors. It is known that it was applied to the Japanese rice markets for the first time in history and there are more than 100 candle formations. In the thesis study, an extensible architecture software framework using factory pattern and object-oriented approach is proposed for defining candlestick formations and integrating different machine learning approaches for financial assets with ensemble learning and developing smart learning algorithms based on them. One of the integrated approaches in this context is to use selected technical indicators as attributes in financial forecasting. Finally, three main approaches have been developed by coding the strategies used by investors on a rule-based basis. These three main approaches were combined with the voting principle used in community learning approaches, and the results were compared. In the thesis study, when tested for financial assets on stocks of the Dow30 index, better results were obtained with the proposed ensemble learning approach than the Buy and Hold strategy and traditional machine learning approaches. These results are given in detail for metrics such as cumulative portfolio gain, maximum withdrawal, and percentage of profitable trades, and all results are compared.

Benzer Tezler

  1. Tez No

    895348

    Sentiment analysis model proposal with deep learning techniques on big data: Portfolio selection with the help of industry indicators

    Büyük veri üzerinde derin öğrenme teknikleri ile duygu analizi model önerisi: Sektör göstergeleri yardımıyla portföy seçimi

    MAHMUT SAMİ SİVRİ

    Doktora

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  2. Tez No

    913193

    Exploring opinions of corporate instructional designers on their professional development and training needs

    Kurumsal öğretim tasarımcılarının mesleki gelişim ve eğitim ihtiyaçları konusundaki görüşlerinin araştırılması

    NAZLI GÖKALP

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Eğitim ve ÖğretimOrta Doğu Teknik Üniversitesi

    Eğitim Programları ve Öğretimi Ana Bilim Dalı

    DR. ELİF ÖZTÜRK

  3. Tez No

    711174

    Fuzzy clustering based ensemble learning approach: Applications in digital advertising

    Bulanık kümeleme tabanlı topluluk öğrenmesi yaklaşımı: Dijital reklam alanında uygulamalar

    AHMET TEZCAN TEKİN

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

    PROF. DR. TOLGA KAYA

  4. Tez No

    855413

    Derin öğrenme modelleri kullanarak kredi kartı dolandırıcılık tespiti için karar destek sistemi gerçekleştirimi

    Implementation of decision support system for credit card fraud detection using deep learning models

    PEYMAN BAGHDADI

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA SERDAR KORUKOĞLU

  5. Tez No

    436106

    Software development effort estimation using ensemble machine learning

    Topluluk yapay öğrenme ile yazılım geliştirme maaliyet tahmini

    OMAR HIDMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    Assist. Prof. Dr. BETÜL ERDOĞDU ŞAKAR

Geri Dön