Makine öğrenmesi yöntemleriyle zaman serilerinde değer tahminleme
Value estimation in time series by machine learning methods
- Tez No: 831643
- Danışmanlar: DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Belirsiz olan geleceğin tahmin edilmesi gerek işletmeler gerekse şahıslar için hayati öneme sahiptir. Borsalarda hisse senetlerinin veya kripto paraların bir sonraki zaman dilimindeki fiyatlarının yüksek oranda doğru tahmin edilebilmesi al-sat yapanlar için mükemmel bir kazanç fırsatıdır. Kripto para borsalarının 7/24 açık olması, veri çekme, analiz oluşturma ve gündelik haberlerden işletme borsalarına göre daha az etkilenmesi bu çalışmanın kripto para borsaları üzerinde yapılmasını teşvik etmiştir. Bitcoin üzerinden yapılan çalışmada makine öğrenmesi algoritmalarının kullanımının fiyat tahminlemesiyle yapılan yatırımın kar elde ettirebileceğinden bahsedilebilir. Bu çalışmada kripto para borsasından alınan Ağustos 2020-Mayıs 2023 tarihleri arasına ait Bitcoin/USDT çifti fiyat hareketi (OHLCV, açılış fiyatı, yüksek fiyat, düşük fiyat, kapanış fiyatı ve hacim) verileri kullanıldı. OHLCV veri kümesi finans alanında kullanılan indikatörler kullanılarak çok parametreli zenginleştirilmiş veri kümesi haline getirildi. Ağustos 2020-Haziran 2022 tarihleri arasındaki veri kümesi üzerinde makine öğrenmesi algoritmalarından Rastgele Orman(Random Forest) ve Aşırı Gradyan Artırma (XGBoost) algoritmaları kullanalarak regresyon modeli eğitimi yapıldı. Test veri kümesi olarak Haziran 2022-Mayıs 2023 tarihleri arasındaki borsa fiyat değerleri kullanıldı. Eğitilen regresyon modelleri test veri kümesi üzerinde farklı sayıda geçmiş veri (lag) bir sonraki değeri tahmin etmesi sağlanarak doğruluk performansları karşılaştırıldı. Testler içerisinde en düşük hata oranına sahip 23 gecikme (lag) kullanılan rastgele orman algoritması ile borsa işlemleri yapıldığında elde edilen cüzdan bakiyesi analiz edildi. (ASYU2023 Sivas konferansında makalesi mevcuttur.)
Özet (Çeviri)
Predicting the uncertain future is of vital importance for both businesses and individuals. Being able to predict the prices of stocks or cryptocurrencies in the next time period with high accuracy in the stock markets is an excellent earning opportunity for those who buy and sell. The fact that cryptocurrency exchanges are open 24/7 and are less affected by data extraction, analysis and daily news than business exchanges encouraged this study to be conducted on cryptocurrency exchanges. In the study conducted on Bitcoin, it can be mentioned that the use of machine learning algorithms can make a profit from the investment made by predicting the price. In this study, Bitcoin/USDT pair price movement (OHLCV, opening price, high price, low price, closing price and volume) data from the cryptocurrency exchange between August 2020 and May 2023 was used. The OHLCV dataset was turned into a multi-parameter enriched dataset using indicators used in the field of finance. Regression model training was performed on the dataset between August 2020 and June 2022 using Random Forest and Extreme Gradient Boosting (XGBoost) algorithms, which are machine learning algorithms. Stock market price values between June 2022 and May 2023 were used as the test data set. The accuracy performances of the trained regression models were compared by allowing them to predict the next value with different numbers of historical data (lag) on the test data set. The wallet balance obtained when stock market transactions were made was analyzed with the random forest algorithm using 23 lags, which had the lowest error rate among the tests.
Benzer Tezler
- Prediction of pore pressure and deviatoric stress generation for liquefiable soils under cyclic loading using machine learning
Sıvılaşabilen zeminlerde dinamik yükleme durumunda boşluk suyu basıncı ve deviatorik gerilme değişiminin makine öğrenmesi yöntemleriyle tahmin edilmesi
ÖMER TUĞŞAD BİRİNCİ
Yüksek Lisans
İngilizce
2024
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BARIŞ CAN ÜLKER
- A comprehensive analysis of turkish sea level changes and future modeling using machine learning methods
Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi
ELİF KARTAL
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Improving time series forecasts through predictive error compensation and deep feature fusion
Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇
MUHAMMED ENES BAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
HÜSEYİN MUSTAFA METİN
Doktora
Türkçe
2024
MatematikMuğla Sıtkı Koçman Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERDOĞAN GAVCAR
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA