Makine öğrenimi modelleri aracılığıyla zaman serisi tahmini
Time series forecasting through machine learning models
- Tez No: 832573
- Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 70
Özet
Finansal zaman serilerinin tahmin edilmesi, ekonomide en karmaşık problemlerden biridir. Finansal piyasaların doğrusal olmayan faktörler ve belirsizliklerle dolu karmaşıklığı, tahminleri zorlaştırır ve genellikle düzensiz hareket etmelerine neden olur. Bu nedenle klasik tahmin yöntemleri yetersiz kalabilir. Makine öğrenimi yöntemleri genellikle daha iyi sonuçlar verir ancak karmaşıklık ve oynaklıkla dolu serileri tek başına tahmin etmekte yetersiz kalabilir. Bu nedenle hibrit yaklaşımlar önemlidir. Hisse senedi piyasası tahmini için geliştirilen hibrit modeller, zaman içinde makine öğrenimi algoritmalarının kullanımını arttırmıştır. Bu çalışmada, NASDAQ, DAX, NISEI ve BIST100 hisse senedi piyasalarından dört hisse senedi üzerinde hibrit modelleme yaklaşımı uygulanmıştır. Hisse senedi piyasaları değişken yapısı ve oynaklığı ile bilinir. Bu çalışmada, oynaklığı dikkate alan çeşitli hibrit modeller önerilmiştir. Hibrit modellemelerde, ARIMA modelleri öncelikle GARCH ile birleştirilerek zaman serileri modellemesinde kullanılmış ardından SVM ve LSTM gibi zeki modeller hata serilerinin doğrusal olmayan özelliklerini yakalamak için kullanılmıştır. Ayrıca önerilen hibrit modeller, mevcut yöntemlerle karşılaştırılarak performansları değerlendirilmiştir. Değerlendirmede RMSE, MSE, MAE ve MAPE gibi hata ölçütleri kullanılmıştır. Önerilen hibrit metodoloji, zaman serisi verisinin karmaşıklığını ve oynaklığını en iyi şekilde yakalayan farklı modelleri birleştirerek tahmin performansını büyük ölçüde arttırır.
Özet (Çeviri)
Estimating financial time series is one of the most complex problems in economics. The complexity of financial markets, full of nonlinear factors and uncertainties, makes forecasting difficult and often causes them to move erratically. Therefore classical estimation methods may be insufficient. Machine learning methods often give better results, but alone may fail to predict series full of complexity and volatility. Therefore, hybrid approaches are important. Hybrid models developed for stock market prediction have increased the use of machine learning algorithms over time. In this study, hybrid modeling approach was applied on four stocks from NASDAQ, DAX, NISEI and BIST100 stock markets. Stock markets are known for their volatile nature and volatility. In this study, several hybrid models that take into account volatility are proposed. In hybrid modeling, ARIMA models were first combined with GARCH and used in time series modeling, then intelligent models such as SVM and LSTM were used to capture nonlinear properties of error series. In addition the proposed hybrid models were compared with existing methods and their performances were evaluated. Error criteria such as RMSE, MSE, MAE and MAPE were used in the evaluation. The proposed hybrid methodology greatly improves forecast performance by combining different models that best capture the complexity and volatility of time series data.
Benzer Tezler
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Deniz ticaret endekslerini zaman serisi modelleri kullanarak tahminleme
Forecasting maritime trade indexes by using the time series models
KAAN KOYUNCU
Doktora
Türkçe
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. LEYLA TAVACIOĞLU
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- The complex network analysis of the education network of employees
Çalışanların eğitim ağının karmaşık ağ analizi
CEYDA KOCAMAN
Yüksek Lisans
İngilizce
2023
Bilim ve TeknolojiGalatasaray ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜNCE KEZİBAN ORMAN