Geri Dön

Makine öğrenimi modelleri aracılığıyla zaman serisi tahmini

Time series forecasting through machine learning models

  1. Tez No: 832573
  2. Yazar: CANBERK BULUT
  3. Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  2. Deniz ticaret endekslerini zaman serisi modelleri kullanarak tahminleme

    Forecasting maritime trade indexes by using the time series models

    KAAN KOYUNCU

    Doktora

    Türkçe

    Türkçe

    2022

    Denizcilikİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. LEYLA TAVACIOĞLU

  3. 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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  4. 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

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  5. The complex network analysis of the education network of employees

    Çalışanların eğitim ağının karmaşık ağ analizi

    CEYDA KOCAMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve TeknolojiGalatasaray Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜNCE KEZİBAN ORMAN