Dalgacık dönüşümü ve derin öğrenme yöntemleri ile hisse senedi fiyat tahmini
Stock price prediction with wavelet transform and deep learning methods
- Tez No: 839401
- Danışmanlar: DOÇ. DR. ELVAN HAYAT
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Aydın Adnan Menderes Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 181
Özet
Yatırımcılar, yüksek getirili yatırım araçlarına sürekli ilgi göstermekte ve tasarruflarını bu tür araçlara yönlendirmektedir. Hisse senedi piyasasındaki dalgalanmaların ve eğilimlerin öngörülmesi hem bireysel yatırımcılar hem de yatırım firmaları için bir odak noktası olmaya devam etmektedir. Hisse senetleriyle ilgili önemli getiri potansiyeli göz önüne alındığında, analistler ve araştırmacılar da hisse senedi fiyat tahmini alanına büyük ilgi göstermektedir. Bununla birlikte hisse senedi fiyatları, ülkenin ekonomik durumu, siyasi ve sosyal olaylar, uluslararası ilişkiler ve sektörel gelişmeler gibi çok yönlü faktörlerden karmaşık bir şekilde etkilenmektedir. Sonuç olarak, hisse senedi fiyat hareketlerini önceden tahmin etme yeteneği zorlu bir görev teşkil etmektedir. Hisse senedi fiyat tahminleri geleneksel olarak zaman serisi analizine dayanan istatistiksel ve ekonometrik yöntemlere dayansa da son yıllarda yapay zeka ve derin öğrenme metodolojilerinin giderek daha fazla benimsendiğine tanık olunmaktadır. Bu eğilim, bilgisayar bellekleri ve veri işleme yeteneklerindeki gelişmelerden kaynaklanmaktadır. Ancak, tarihsel değerlere dayalı olarak eğitilmiş derin sinir ağlarının etkinliği, finansal verilerde yaygın olan gürültüden ciddi seviyede etkilenmektedir. Bu konuyu ele alan çalışma, bu ağların hisse senedi fiyatlarını doğru bir şekilde tahmin etmekte zorlandığını gözlemlemektedir. Çalışmada gürültünün finansal değişkenler üzerindeki etkisini azaltmak için sinyal analizinde yaygın olarak kullanılan bir teknik olan dalgacık dönüşümü yönteminin uygulanması önerilmektedir. Bu çalışmanın temel amacı, dalgacık dönüşümü ve derin öğrenme yöntemlerini kullanarak farklı sektörlerdeki hisse senedi verilerinin kapanış değerlerini tahmin etmek ve modellerin performanslarını karşılaştırmaktır. Bu amaca ulaşmak için, bağımlı değişken olarak 3 Haziran 2013 ile 28 Mayıs 2021 tarihleri arasında çeşitli sektörlerden seçilmiş şirketlerin kapanış fiyatı verileri toplanmıştır. Bağımsız değişkenler arasında her hisse senedi için kapanış fiyatlarının 20 günlük gecikmeli değerlerinin yanı sıra işlem günü açılış fiyatları, en düşük fiyatlar, en yüksek fiyatlar, gram altın fiyatları, Brent ham petrol fiyatları ve dolar kuru yer almaktadır. Analiz, bu çerçevede modellerin tahmin yeteneklerini değerlendirmeyi amaçlamaktadır. Veri ön işleme aşamasında, finansal verilerdeki gürültü, dalgacık dönüşümü uygulanarak giderilmiştir. Daha sonra, ayrıştırılan finansal veriler, Yapay Sinir Ağları (ANN), Evrişimli Sinir Ağları (CNN), Tekrarlayan Sinir Ağları (RNN), Uzun Kısa Süreli Bellek (LSTM) ağları, Geçitli Tekrarlayan Birim (GRU) ağları gibi yöntemleri kapsayan çeşitli derin öğrenme modellerini eğitmek için kullanılarak hisse senedi kapanış fiyatları tahmin edilmiştir. Ayrıca söz konusu derin öğrenme yöntemleri herhangi bir dönüşüme tabi tutulmadan finansal verilere uygulanmıştır. Sonuçlar değerlendirildiğinde, RNN, LSTM ve GRU modellerinin, özellikle Symlets dalgacık dönüşümü ile ayrıştırılarak eğitildiklerinde, tahminde yüksek etkinlik sergiledikleri tespit edilmiştir. Çeşitli kombinasyonlarla toplam 8960 model oluşturulmuştur. Özellikle, bu modeller arasında, ASELS için Symlets dalgacık dönüşümünü kullanan gürültüden arındırılmış RNN modeli, 0,0067'lik bir RMSE değeri vererek üstün tahmin performansı sergilemiştir.
Özet (Çeviri)
Investors consistently exhibit a keen interest in high-yield investment instruments, directing their savings towards such tools. The anticipation of fluctuations and trends in the stock market remains a focus for both individual investors and investment firms. Given the substantial return potential associated with stocks, analysts and researchers also manifest significant interest in the field of stock price forecasting. Nevertheless, stock prices are intricately influenced by multifaceted factors, including the economic state of the country, political and social events, international relations, and sectoral developments. As a result, the ability to predict stock price movements poses a challenging task. Although stock price predictions traditionally rely on statistical and econometric methods grounded in time series analysis, recent years have witnessed an increasing adoption of artificial intelligence and deep learning methodologies. This trend is propelled by advancements in computer memory and data processing capabilities. However, the effectiveness of deep neural networks trained based on historical values is seriously affected by the noise common in financial data. Addressing this issue, the study observes that these networks struggle to accurately predict stock prices. To mitigate the impact of noise in financial variables, the study recommends the application of the wavelet transform method, a widely used technique in signal analysis. The primary objective of this study is to predict the closing values of stock data in different sectors using wavelet transform and deep learning methods, and to compare the performances of the models. To achieve this goal, closing price data of selected companies from various sectors were collected as the dependent variable between June 3, 2013, and May 28, 2021. Among the independent variables are the 20-day lagged values of closing prices for each stock, along with opening prices, lowest prices, highest prices, gram gold prices, Brent crude oil prices, and the exchange rate of the dollar. The analysis aims to evaluate the predictive capabilities of the models within this framework. In the data preprocessing stage, noise in financial data was alleviated through the application of wavelet transform. Subsequently, the denoised financial data were employed to train various deep learning models, including Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), for predicting stock closing prices. Additionally, these deep learning methods were applied to financial data without any transformation. Upon evaluating the results, it was observed that RNN, LSTM, and GRU models, particularly when trained with Symlets wavelet transform, demonstrated high efficacy in prediction. A total of 8960 models were created through various combinations. Notably, among these models, the denoised RNN model using Symlets wavelet transform for ASELS exhibited superior predictive performance, yielding an RMSE value of 0.0067.
Benzer Tezler
- GPR raw-data analysis to detect crack via wavelets and deep learning methods
Yer radarı ham verisi analizi ile kırıkların dalgacık ve derin öğrenme yöntemleri ile tespiti
MUSA BINDAWA TANIMU
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NALAN ÖZKURT
DOÇ. DR. GÖKHAN KILIÇ
- Mekanik dolaşım destek sistemi hastalarının driveline yaralarının görüntü işleme ve derin öğrenme yöntemi ile enfeksiyon açısından incelenmesi
Assessment of infection levels in mechanical circulatory assist devi̇ce implanted patients utilizing image processing and deep learning methods
KEMAL KANDEMİR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMZA FEZA CARLAK
- Yapay zeka teknikleri ile fizyolojik sinyallerde duygu durumlarının karşılaştırması ve değerlendirilmesi
Comparison and evaluation of emotional states in physiological signals with artificial intelligence techniques
ÜMRAN IŞIK
Doktora
Türkçe
2024
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞEGÜL GÜVEN
- Normalize edilmiş kalp hızı değişkenliği analizi ile paroksismal atriyal fibrilasyon tespiti
Detection of paroxismal atrial fibrilation with normalized heart rate variability analysis
MURAT SÜRÜCÜ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RESUL KARA
DOÇ. DR. YALÇIN İŞLER
- Akustik özellikler kullanan müzik öneri sistemi
Music recommendation system using acoustic features
AHMET ELBİR
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN