Yapay zeka modelleri ve Borsa İstanbul endeks verileriyle uygulama
Artificial intelligence models and application to Borsa Istanbul index data
- Tez No: 847458
- Danışmanlar: PROF. DR. ZEYNEP DİNA ÇAKMUR YILDIRTAN
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Banking
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Bankacılık ve Sigortacılık Enstitüsü
- Ana Bilim Dalı: Sermaye Piyasası ve Borsa Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 138
Özet
Bu çalışma, finans piyasalarında yatırım araçlarının gelecekteki fiyat hareketlerini tahmin etmek amacıyla kullanılan teknik analiz yöntemini ele almaktadır. İlk olarak,birinci bölümünde teknik analizin genel bir incelemesi sunulmuş, bu kapsamda grafikler, formasyonlar ve göstergeler gibi temel konulara odaklanılmıştır. Daha sonra, yapay zeka kavramı ve finans dünyasındaki uygulama alanları hakkında bilgi verilmiş ve yapay zekanın teknik analiz sonuçlarına dayalı kombinasyon analizi için kullanılabilecek modeller gözden geçirilmiştir. Bu modellerin özellikleri, teknikleri ve algoritmaları incelenmiş ve makine öğrenme tekniklerinin kullanılmasına karar verilmiştir. Makine öğrenme tekniğinin teorik temelleri, çalışmanın ikinci bölümünde detaylı bir şekilde ele alınmıştır. Bu bölümde, makine öğrenme tekniklerinin temel özellikleri, parametreleri ve bu çalışma bağlamında nasıl uygulanabileceği üzerinde durulmuştur. Uygulama bölümünde, Türkiye'deki finans sektöründe etkili olan ve yüksek işlem hacmine sahip olan hisse senetlerine odaklanılmıştır. Bu hisse senetleri üzerinde makine öğrenme tekniği Light GBM algoritmasın kullanılarak teknik analiz göstergelerinin kombinasyonu ile gelecekteki fiyat hareketlerini tahmin etmeye yönelik denemeler gerçekleştirilmiştir. Özellikle, RSI, MACD gibi teknik göstergelerin sonuçlarına dayalı olarak LightGBM algoritması ile bir model eğitilmiştir. Sonuç olarak, bu çalışmanın temel amacı, yatırımcıların bilinçli kararlar alabilmeleri için teknik göstergelerin ve makine öğrenme modellerinin bir araya getirilerek sonuçlarının incelenmesidir. Çalışmanın sonuç kısmında, hangi yöntemin piyasadaki gerçek değerlere daha yakın sonuçlar verdiği karşılaştırılarak, yatırımcılara daha doğru işlem sinyalleri oluşturulmasına katkı sağlamaktır. Bu sayede finans piyasalarındaki yatırım kararları daha sağlam bir temele dayandırılabilir ve yatırımcılar gelecekteki fiyat hareketleri konusunda daha iyi bilgilendirilmiş olur.
Özet (Çeviri)
This study focuses on the technical analysis method used to predict future price movements of investment instruments in financial markets. Firstly, an overview of technical analysis is provided, with a focus on fundamental concepts such as charts, patterns, and indicators. Subsequently, the concept of artificial intelligence and its applications in the financial world are discussed, and models that can be used for combination analysis based on technical analysis results are reviewed. The features, techniques, and algorithms of these models are examined, and the decision is made to employ machine learning techniques for modeling. The theoretical foundations of machine learning are detailed in a section of this study. In this section, the fundamental characteristics of machine learning techniques, their parameters, and how they can be applied in the context of this study are elaborated upon. In the application section, the study concentrates on stocks that have a significant impact on the Turkish financial sector and have high trading volumes. Experiments aimed at predicting future price movements using a combination of technical analysis indicators with machine learning techniques are conducted on these stocks. Particularly, a model is trained using the LightGBM algorithm based on the results of technical indicators such as RSI and MACD. In conclusion, the primary objective of this study is to examine the results by combining technical indicators and machine learning models to enable investors to make informed decisions. In the concluding section of the study, the comparison of which method yields results closer to real market values contributes to the creation of more accurate trading signals for investors. This, in turn, allows for investment decisions in financial markets to be based on a more solid foundation, ultimately better informing investors about future price movements.
Benzer Tezler
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Comparison of stock selection methods: An empirical research on the borsa İstanbul
Hisse senedi seçimi modellerini karşılaştırma: Borsa İstanbul hisse senetleri üzerinde ampirik bir uygulama
ALİ SEZİN ÖZDEMİR
Doktora
İngilizce
2023
Maliyeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU
- Borsa İstanbul'da işlem gören sanayi işletmelerinin finansal başarısızlıklarının öngörülmesi: 2007-2019
Predicting financial failures of industrial companies listed in Borsa Istanbul: 2007-2019
HASAN DEMİRHAN
- The effectiveness of artificial intelligence in financial analysis: ISE100
Finansal analizde yapay zekanın etkinliği: BIST100
FİKRİYE KARACAMEYDAN
Doktora
İngilizce
2023
BankacılıkAnkara Yıldırım Beyazıt ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. ERHAN ÇANKAL
- Predicting direction of stock price movement by using adaptive ensemble learning method
Hisse senedi fiyatı hareket yönünün adaptif topluluk öğrenmesi metodu ile tahmin edilmesi
ALİ ÖZKAN PEKMEZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
