Geri Dön

Derin sinir ağları ile çok değişkenli hisse fiyatı tahmini

Multivariable stock price forecasting with deep neural networks

PDF İndir

  1. Tez No: 857089
  2. Yazar: SELİM SERİN
  3. Danışmanlar: DOÇ. DR. GÜLDER KEMALBAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 64

Özet

Finansal piyasaların karmaşıklığı ve dinamizmi, gelecekteki fiyat hareketlerini tahmin etmeyi son derece zor bir görev haline getirir. Geleneksel finansal tahmin yöntemleri, bu karmaşıklığı yakalama konusunda başarısız olabilir ve genellikle yetersiz sonuçlar ortaya koyabilir. İşte burada derin öğrenme devreye girer. Derin öğrenme, büyük miktarda finansal veriyi işleme yeteneğiyle öne çıkar. Bu çalışma, 2007-07-30 ile 2023-09-29 tarihleri arasında Türk hisse senedi piyasasında işlem gören bir hisse senedinin bir gün sonraki fiyatını, XU030 endeksinin kapanış fiyatı, Brent petrol fiyatı, ons başına altın fiyatı, günlük en düşük ve en yüksek fiyat arasındaki farkı, günlük açılış ve kapanış fiyatları arasındaki farkı ve kısa vadeli hareketli ortalamanın uzun vadeli hareketli ortalamaya olan oranı dahil olmak üzere çok değişkenli girdileri kullanarak tahmin etmeyi amaçlamaktadır. Tüm fiyat temelli değişkenler, TRY/USD paritesi ile dolar cinsinden belirlenmiştir. Bu çok değişkenli veri seti ile Vanilya Uzun-Kısa Süreli Bellek (LSTM), Evrişimli Sinir Ağları (CNN), Çift Yönlü-LSTM, Evrişimli LSTM, CNN-LSTM, Çok Katmanlı Algılayıcılar ve Yığılmış LSTM algoritmalarını içeren derin sinir ağı yapıları oluşturularak, 5 güne kadar olan gecikmeli değişkenler bir sonraki gün hisse senedi fiyatını tahmin etmek için kullanılacaktır. Literatürdeki çalışmaların genellikle tek değişkenli hisse senedi fiyatı veya hisse senedi piyasa endeksi fiyat tahminine odaklandığı ve çok değişkenli zaman serisi ile derin sinir ağı yapısı oluşturan çalışmaların azınlıkta olduğu gözlemlenmiştir. Sonuç olarak, Vanilya LSTM, Hata Kareler Ortalamasının Karekökü (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) metriklerine dayalı olarak bir gün önceden fiyat tahmini için en başarılı derin ağ yapısıdır.

Özet (Çeviri)

The complexity and dynamism of financial markets make forecasting future price movements an incredibly challenging task. Traditional financial forecasting methods may fail to capture this complexity, often yielding inadequate results. This is where deep learning comes into play. Deep learning stands out with its ability to process vast amounts of financial data. This study aims to forecast the one-day-ahead price of a stock traded in the Turkish stock market between 2007-07-30 and 2023-09-29 using multivariable inputs, including the closing price of XU030 index, Brent oil price, gold price per ounce, daily maximum minimum price difference, daily opening closing price difference, and the ratio of the short-term moving average to the long-term moving average. All price-based variables are determined in dollars with TRY/USD parity. With this multivariate data set, Vanilla Long-Short Term Memory (LSTM), Convolutional Neural Network (CNN), Bidirectional-LSTM, Convolutional LSTM, CNN-LSTM, Multilayer Perception, and Stacked LSTM algorithms to predict the next day stock price with lag variables up to 5-days. It has been observed that the studies in the literature often focus on univariate stock price or stock market index price forecasting, and that there is a minority of studies that create a deep neural network structure with multivariate time series. As a result, Vanilla LSTM is the most successful deep network structure for one-dayahead price forecasting based on Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE) metrics.

Benzer Tezler

  1. Tez No

    741353

    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

    Türkçe

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  2. Tez No

    839401

    Dalgacık dönüşümü ve derin öğrenme yöntemleri ile hisse senedi fiyat tahmini

    Stock price prediction with wavelet transform and deep learning methods

    ÇAĞRI ÇOBAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EkonometriAydın Adnan Menderes Üniversitesi

    Ekonometri Ana Bilim Dalı

    DOÇ. DR. ELVAN HAYAT

  3. Tez No

    855982

    Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities

    Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği

    ABDURRAHMAN KILIÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Ekonometriİstanbul Teknik Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    PROF. DR. BÜLENT GÜLOĞLU

  4. Tez No

    684298

    Exploring incubation and acceleration practices in Turkey: A fuzzy set QCA approach

    Türkiye'deki kuluçka merkezleri ve hızlandırıcıların pratiklerinin araştırılması: Bulanık set kalitatif karşılaştırmalı analiz yaklaşımı

    OĞUZ YÜCEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ERÇEK

  5. Tez No

    873847

    Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi

    Estimating stock values with deep learning

    HÜSEYİN MUSTAFA METİN

    Doktora

    Türkçe

    Türkçe

    2024

    MatematikMuğla Sıtkı Koçman Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ERDOĞAN GAVCAR

Geri Dön