Geri Dön

Comparative analysis of LSTM model in predicting ETF stock prices for different sectors

Farklı sektörler için ETF fiyatları tahmininde LSTM modelinin karşılaştırmalı analizi

PDF İndir

  1. Tez No: 854414
  2. Yazar: BURAK YÜKSEL
  3. Danışmanlar: PROF. DR. ENGİN SORHUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Econometrics
  6. Anahtar Kelimeler: Derin Öğrenme, LSTM, ETF, hisse senedi fiyat tahmini, sektörel, Deep Learning, LSTM, ETF, stock price prediction, sector-specific
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat (İngilizce) Ana Bilim Dalı
  12. Bilim Dalı: Ekonomi ve Finans Bilim Dalı
  13. Sayfa Sayısı: 104

Özet

Yıllardır, hisse senedi fiyatlarını tahmin etmek, finansal piyasalardaki araştırmacılar ve yatırımcılar için önemli bir zorluk oluşturmuştur. Bu zorluğu aşmak için birçok metodoloji geliştirilmiştir, bunlardan biri de özellikle zaman serisi verilerini analiz etmek için oldukça uygun olan Yinelemeli Sinir Ağları bağlamında önemli bir yer edinen Uzun Kısa Süreli Bellek (LSTM) yöntemidir. Bu çalışma, Keras LSTM modellerini kullanarak çeşitli sektörlerde Exchange-Traded Fund (ETF) fiyatlarını tahmin etmeyi amaçlayan kapsamlı bir karşılaştırmalı analiz gerçekleştirir. Temel amaç, sektörel özelliklerin modellerin öngörü performansını nasıl etkilediğini değerlendirmektir. Araştırma, LSTM modellerinin farklı sektörlerdeki çeşitli performansını anlamanın, bunların doğasındaki oynaklık ve ekonomik dalgalanmalara duyarlılıklarını düşünerek bir zorunluluktan kaynaklanmaktadır. Çalışmalar, metodik bir biçimde LSTM kullanılarak gerçekleştirilmiş ve performans metrikleri, tahminlerin doğruluğunu değerlendirmek için kullanılmıştır. Bulgular, makroekonomik olaylardan daha az etkilenen, düşük oynaklığa sahip sektörlerin üstün öngörü sonuçları gösterdiğini ortaya koymaktadır. Aksine, yüksek oynaklığa sahip sektörler artan karmaşıklık ve öngörü zorlukları sunmaktadır. Bu çalışma, ETF tahminlerinin karmaşık ve ince niteliklerini vurgulayarak, sektörel özelliklerin önemini ve bunların piyasa dinamikleri ile nasıl etkileşime girdiğini vurgular. Genel olarak, LSTM modelleri finansal verilerdeki zamansal bağımlılıkları ve doğrusal olmayanları etkileşimleri yakalama yeteneklerini göstererek güçlü ve güvenilir bir performans sergilemektedir. Bu araştırma, araştırmacılara ve yatırımcılara, hisse senedi fiyat tahminleri bağlamında LSTM modellerinin nüanslı anlayışını sağlayan ve belirli sektörlerde daha bilinçli tahminler için önemli çıkarımlar sunan önemli katkılar sağlamaktadır.

Özet (Çeviri)

For years, predicting stock prices has posed a significant challenge for researchers and investors in financial markets. To attempt to overcome this challenge, several methodologies have been developed, among which Long Short-Term Memory (LSTM) has emerged as a prominent approach, especially suitable for analyzing time series data within the context of Recurrent Neural Networks. This study conducts a thorough comparative analysis that specifically aims to predict the prices of Exchange-Traded Funds (ETFs) by utilizing Keras LSTM models across various sectors. The primary objective is to evaluate how sector- specific characteristics influence the predictive performance of the models. The research is driven by the necessity of understanding the diverse performance of LSTM models in different sectors, considering their inherent volatility and susceptibility to economic fluctuations. Experiments are conducted methodically using LSTM, and performance metrics are used to evaluate the accuracy of predictions. The findings indicate that sectors with lower volatility, less affected by macroeconomic events inherently, demonstrate superior predictive outcomes. Conversely, sectors with higher volatility present increased complexity and predictive challenges. The study highlights ETF predictions' complex and subtle nature, emphasizing the significance of sector-specific features and how they interact with market dynamics. In general, the LSTM models demonstrate strong and reliable performance, showcasing their ability to capture temporal dependencies and non-linearities in financial data. This research provides significant contributions for researchers and investors, offering a nuanced understanding of LSTM models in the context of stock price forecasting and providing implications for more informed predictions in specific sectors.

Benzer Tezler

  1. Tez No

    751454

    Hava kalitesi tahmininde derin öğrenme modellerinin karşılaştırmalı analizi

    Comparative analysis of deep learning models in air quality prediction

    CANSU ÇALIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL

  2. Tez No

    832063

    Partikül madde konsantrasyonu tahmininde derin öğrenme yaklaşımlarının karşılaştırmalı incelenmesi

    A comparative analysis of deep learning approaches for the prediction of particulate matter concentration

    İPEK AKSANGÜR

    Doktora

    Türkçe

    Türkçe

    2023

    Çevre MühendisliğiSakarya Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BEYTULLAH EREN

    DR. ÖĞR. ÜYESİ CANER ERDEN

  3. Tez No

    855474

    Finansal serilerin öngörüsünde derin öğrenme ve klasik yöntemlerin karşılaştırılması: BIST100 örneği

    Comparative of deep learning and classical methods in the prediction of financial series: The sample of the BIST100

    RUFAT ABİZADA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    EkonometriMarmara Üniversitesi

    Ekonometri Bilim Dalı

    PROF. DR. SELİN DEVRİM ÖZDEMİR YAZGAN

  4. Tez No

    885244

    Drought modeling and forecasting using emerging deep learning techniques

    Yeni gelişen derin öğrenme tekniklerini kullanarak kuraklık modelleme ve tahmini

    HIBA EAEADA HAMEED AL KUBAISI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALI DANANDEH MEHR

  5. Tez No

    842476

    Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products

    Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi

    NAHİT ÇATMADIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET SİNAN ÖZEREN

Geri Dön