Geri Dön

Deep transformer-based asset price and direction prediction

Derı̇n transformatör tabanlı varlık fı̇yatı ve yön tahmı̇nı̇

PDF İndir

  1. Tez No: 858655
  2. Yazar: ABDUL HALUK BATUR GEZİCİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMRE SEFER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Maliye, Computer Engineering and Computer Science and Control, Finance
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Derin öğrenme metodolojileri tarafından yönlendirilen algoritmik ticaret alanı son zamanlarda büyük ilgi görmüştür. Bu alanda, dönüştürücüler, evrişimli sinir ağları ve yama gömme tabanlı teknikler bilgisayarla görme topluluğu içinde popüler seçenekler olarak ortaya çıkmıştır. Burada, en yeni bilgisayarla görme metodolojilerinden ve zaman serisi veri kümeleri için görüntü benzeri dönüşüm yeteneğini gösteren mevcut çalışmalardan esinlenerek, varlık fiyatlarını ve yönlü fiyat hareketlerini tahmin etmek için daha gelişmiş dönüştürücü tabanlı ve yama tabanlı yaklaşımlar uyguluyoruz. Kullanılan dönüştürücü modelleri arasında Vision Transformer~(ViT), Data Efficient Image Transformers~(DeiT) ve Swin bulunmaktadır. Dönüştürücüsüz yama gömme tabanlı bir evrişimsel sinir ağı mimarisi için ConvMixer kullanıyoruz. Test edilen dönüştürücü tabanlı ve yama tabanlı metodolojilerimiz, geçmiş zaman serisi veri kümesindeki doğal görüntü benzeri özelliklerden yararlanarak geçmiş fiyat verilerini kullanarak varlık fiyatlarını ve yön hareketlerini tahmin etmeyi amaçlamaktadır. Dikkat tabanlı mimarilerin uygulanmasından önce, tarihsel zaman serisi fiyat veri seti iki boyutlu görüntülere dönüştürülür. Bu dönüşüm, her biri sabit sayıda ardışık gün için verilere katkıda bulunan çeşitli ortak teknik finansal göstergelerin dahil edilmesiyle kolaylaştırılmıştır. Sonuç olarak, veri setinin çeşitli boyutlarını yansıtan farklı bir iki boyutlu görüntü seti oluşturulmuştur. Daha sonra, piyasa vadilerini ve zirvelerini gösteren orijinal görüntülere Tut, Al veya Sat gibi etiketler eklenmiştir. Deneylere göre, eğitilmiş dikkat tabanlı modeller, özellikle sık işlem gören Borsa Yatırım Fonlarının (ETF'ler) bir alt kümesine uygulandığında, temel konvolüsyonel mimarilerden sürekli olarak daha iyi performans göstermektedir. Dikkat tabanlı mimarilerin, özellikle de ViT'nin bu daha iyi performansı, özellikle uzun test ve bekletme süreleri boyunca hem doğruluk hem de diğer finansal değerlendirme ölçütleri açısından belirgindir. Bu bulgular, dönüştürücü tabanlı yaklaşımların varlık fiyatı ve yön tahmininde öngörü yeteneklerini geliştirme potansiyelinin altını çizmektedir. Kodumuz ve işlenmiş veri setlerimiz~https://github.com/seferlab/price_transformer

Özet (Çeviri)

The field of algorithmic trading, driven by deep learning methodologies, has garnered substantial attention in recent times. Within this domain, transformers, convolutional neural networks, and patch embedding-based techniques have emerged as popular choices within the computer vision community. Here, inspired by the latest cutting-edge computer vision methodologies and the existing work showing the capability of image-like conversion for time-series datasets, we apply more advanced transformer-based and patch-based approaches for predicting asset prices and directional price movements. The employed transformer models include Vision Transformer~(ViT), Data Efficient Image Transformers~(DeiT), and Swin. We use ConvMixer for a patch embedding-based convolutional neural network architecture without a transformer. Our tested transformer-based and patch-based methodologies aim to predict asset prices and directional movements using historical price data by leveraging the inherent image-like properties within the historical time-series dataset. Before the implementation of attention-based architectures, the historical time series price dataset is transformed into two-dimensional images. This transformation is facilitated through the incorporation of various common technical financial indicators, each contributing to the data for a fixed number of consecutive days. Consequently, a diverse set of two-dimensional images is constructed, reflecting various dimensions of the dataset. Subsequently, the original images depicting market valleys and peaks are annotated with labels such as Hold, Buy, or Sell. According to the experiments, trained attention-based models consistently outperform the baseline convolutional architectures, particularly when applied to a subset of frequently traded Exchange-Traded Funds~(ETFs). This better performance of attention-based architectures, especially ViT, is evident in terms of both accuracy and other financial evaluation metrics, particularly during extended testing and holding periods. These findings underscore the potential of transformer-based approaches to enhance predictive capabilities in asset price and directional forecasting. Our code and processed datasets are available at~https://github.com/seferlab/price_transformer

Benzer Tezler

  1. Tez No

    962352

    Improving time series forecasts through predictive error compensation and deep feature fusion

    Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇

    MUHAMMED ENES BAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  2. Tez No

    304352

    İstanbul'da günlük yaşam sahnelerinin Türk resim sanatına yansımaları

    Reflections on the Turkish painting art of daily life scenes in Istanbul

    EVREN KARAYEL GÖKKAYA

    Sanatta Yeterlik

    Türkçe

    Türkçe

    2012

    Güzel SanatlarMimar Sinan Güzel Sanatlar Üniversitesi

    Resim Ana Sanat Dalı

    PROF. AYDIN AYAN

  3. Tez No

    397984

    GPU üzerinde yazılım tabanlı anten gerçeklenmesi

    Realization of software-defined antenna on GPU

    ABDULLAH BAKIRTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SELÇUK PAKER

  4. Tez No

    858717

    Deep Q-Network based cryptocurrency investment strategies using transformer function approximator

    Transformer fonksiyon yaklaşımcısını kullanarak derin Q-Ağı tabanlı kripto para yatırım stratejileri

    TUNA ALAYGUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE SEFER

  5. Tez No

    953769

    A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye

    Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması

    MUHAMMET FURKAN BAYSAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

Geri Dön