Derin öğrenme algoritmaları ile hisse senetlerinin fiyat hareketliliği öngörüsü
Prediction of stock price movements with deep learning algorithms
- Tez No: 839596
- Danışmanlar: PROF. DR. DİLEK ALTAŞ KARACA
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 182
Özet
Bilgi teknolojilerindeki gelişmelerle ortaya çıkan çeşitli türdeki büyük verilerin analizi için kullanılan yöntemler arasında, sinir ağlarını temel alan derin öğrenme algoritmaları dikkat çekmektedir. Finans alanında kullanılan derin öğrenme yöntemleri ile yatırım modelleri, ileriye yönelik fiyat tahmini, formasyon sınıflandırma ve al – sat karar modelleri gibi yatırımcıya fikir verebilecek modeller geliştirilmektedir. Bu çalışmada, derin öğrenme algoritmaları kullanılarak BİST30'da yer alan hisse senetleri için mum grafiklerinden hareketle gelecek dönem fiyat ve fiyat hareketliliği tahmini yapılması amaçlanmıştır. Bu amaçla, fiyat eğiliminde dönüşüm bildiren 8 adet üçlü mum formasyonu belirlenmiştir. Mum formasyonlarının görüntülerine ait hazır veri seti olmadığından, etiketleme işlemi otomatik yapılarak etiketli bir veri seti oluşturulmuştur. Etiketlenen mum formasyonu görüntüleri için Konvolüsyon Sinir Ağı (CNN) ile bir görüntü sınıflandırma modeli geliştirilmiştir. Buradan elde edilen her bir formasyona atanma olasılıkları, daha sonra fiyat tahmini için kullanılan Uzun – Kısa Süreli Hafıza Ağları (LSTM) ve Geçitli Yinelemeli Birimler (GRU) algoritmalarına girdi olarak alınmıştır. Yalnızca bu olasılıkların yer aldığı veri setine ek olarak açılış, kapanış, en düşük/en yüksek değer ve işlem hacmi bilgilerinin yer aldığı ikinci bir veri seti oluşturulmuş, ardından bu iki veri seti birleştirilerek hibrit bir veri seti elde edilmiştir. İki algoritmanın performansı tüm veri setleri için karşılaştırmalı olarak değerlendirilmiştir. Yapılan fiyat tahmininde tüm veri setleri için LSTM modeli daha başarılı bulunmuştur. Hibrit veri setinden elde edilen fiyat tahmin modeli diğer veri setlerine göre daha düşük hata oranına sahiptir. Fiyatların gelecek dönem hareket yönleri incelendiğinde, olasılık bilgisini içeren iki modelin hareket yönlerini daha yüksek oranda doğru tahmin ettikleri belirlenmiştir. Böylece görüntü tabanlı formasyon bilgisinin fiyat tahmininde ve hareket yönü belirlemede etkili olduğu tespit edilmiştir.
Özet (Çeviri)
Among the methods used to analyze various types of big data that emerge with developments in information technologies, deep learning algorithms based on neural networks attract attention. Deep learning methods employed in the financial sector aim to develop models that can provide insights to investors, including investment models, price forecastings, pattern classification, and buy-sell decision models. This study focuses on predicting future prices and price movements for stocks listed in BIST30 using deep learning algorithms based on candlestick charts. To achieve this goal, eight triple candlestick patterns indicating reversals in price trends were identified. Since there was no pre-labeled dataset for the images of candlestick patterns, the labeling process was automated to create a labeled dataset. A convolutional neural network (CNN) algorithm was then used to develop an image classification model for the labeled candlestick pattern images. The probabilities assigned to each identified pattern were later used as input for LSTM (Long Short-Term Memory) and GRU (Gated Recurrent Unit) algorithms employed for price prediction. In addition to the dataset containing only these probabilities, a second dataset was created, including information such as opening, closing, low/high values, and trading volume. These two datasets were merged to obtain a hybrid dataset. The performance of the two algorithms was evaluated comparatively across all datasets. The LSTM model was found to be more successful in price prediction for all datasets. The price prediction model derived from the hybrid dataset exhibited a lower error rate compared to other datasets. When examining the future movement directions of prices, it was determined that the models incorporating probability information more accurately predicted price movement directions. Thus, it was concluded that image-based pattern information is effective in price prediction and determining price movement directions.
Benzer Tezler
- Hisse senedi fiyatlarının makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları ile tahmini
Estimations of opening and closing stock prices through machine learning methods and deep learning algorithms
UĞUR DEMİREL
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. HANDAN ÇAM
DR. ÖĞR. ÜYESİ RAMAZAN ÜNLÜ
- Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach
Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi
ŞEYMA EĞE
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Duygu analizi ve derin öğrenme kullanılarak borsaya kote ulaştırma şirketlerine ait endekslerin tahmin edilmesi
Predicting with sentiment analysis and deep learning of companies which are listed in transportation index in the stock market
TUBA ÇİFCİBAŞI
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesiİş Analitiği Ana Bilim Dalı
DOÇ. DR. ÇAĞRI AKSOY HAZIR
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Borsa tahmininde derin öğrenme tabanlı yenilikçi modeller
Deep learning-based innovative models for stock market prediction
ZİNNET DUYGU AKŞEHİR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. ERDAL KILIÇ