Financial asset price prediction with graph neural network-based temporal deep learning models
Çizge sinir ağı tabanlı zamansal derin öğrenme modelleri ile finansal varlık fiyat tahmini
- Tez No: 858694
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE SEFER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 55
Özet
Çoklu finansal varlıkların zaman içindeki fiyat değişimleri, bu varlıkların karmaşık doğaları ve birbirlerine bağımlılıkları ile tanımlanabilir. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları tam olarak hesaba katmadığı için, varlıklar arasındaki bu bağımlılıkları göz ardı edebilir. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlarda gösterdikleri olağanüstü performanslarla dikkat çekmiştir. GNN'lerin bu yüksek kapasitesi, özellikle permutasyona karşı değişmezliği ve yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala yeterince araştırılmamıştır. Bu çalışmada, özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak, çoklu finansal varlık fiyatlarının tahmininde GNN'lerin etkinliğini incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. Her iki model de zaman serisi verilerini çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz yeteneklere sahiptir. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntem de finansal varlık fiyatı tahmininde LSTM'den belirgin şekilde üstün performans göstermektedir. Bununla birlikte, GNN tabanlı çok değişkenli yöntemler ile LSTM arasındaki performans farkı, Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı bağımlılıkları hem zaman hem de uzay boyutunda modelleyebilme yetenekleri, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana sebebidir. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.
Özet (Çeviri)
Multiple financial asset price changes over time can be characterized by their complex nature and the interdependence between them. More traditional forecasting approaches may overlook the interdependencies among these assets, since they may not fully consider the spatial-temporal dependencies between them. Graph Neural Networks (GNNs) have emerged as a powerful tool for modeling complex relational dependencies across various data types, recently taking more attention for their remarkable performance in areas such as social network analysis and traffic forecasting. The high capability of GNNs is mainly due to their permutation-invariance, and local connectivity. However, their application in asset price prediction remains relatively unexplored. Here, we investigate GNNs' effectiveness in forecasting multiple financial asset prices jointly, specifically focusing on Foreign Exchange (Forex) and cryptocurrency markets. We employ two spatio-temporal GNN frameworks: MTGNN and StemGNN where both are recognized for their state-of-the-art performance in forecasting multivariate time series. Both models are uniquely capable of transforming time series data into graphs, and capturing both spatial and temporal dependencies. Both methods significantly outperform LSTM in predicting financial asset prices, especially in highly volatile markets such as cryptocurrencies. However, the performance difference between these GNN-based multivariate approaches and LSTM is less obvious for the Forex market which is less volatile than cryptocurrencies. The ability to model interdependencies between multiple assets both temporally and spatially is the main reason StemGNN and MTGNN outperform LSTM. Through a series of experiments and backtesting strategies, we assess the predictive power and profitability of these models in portfolio construction. Our code can be found at https://github.com/seferlab/temporal_gnn.
Benzer Tezler
- Finansal piyasalarda tahmin yöntemleri: Türkiye'de tahvil-pay getiri farkı oranı ile finansal piyasaların tahmini üzerine bir araştırma
Méthodes de prévision sur les marchés financiers: Une recherche sur la prévision des marchés financiers et le ratio différence des taux d'obligations en Turquie
HAKKI AKDAŞ
- Makine öğrenmesi yöntemleri ile kripto paraların gelecekteki tahmini
Future prediction of cryptocurrencies with machine learning methods
ELİF DİLASA KURT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
DR. AHMET ELBİR
- Deep transformer-based asset price and direction prediction
Derı̇n transformatör tabanlı varlık fı̇yatı ve yön tahmı̇nı̇
ABDUL HALUK BATUR GEZİCİ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Türk sanayi şirketlerinde sistematik risklerin önemi ve ölçülmesi- döviz kuru, faiz oranı ve emtia fiyatı risklerinin LSTM yapay sinir ağıla tahmin edilmesi
The importance and measurement of systematic risks in Turkish industrial companies-prediction of exchange rate, interest rate, and commodity price risks using LSTM neural network
MUSTAFA ADIGÜZEL
- Profitability of momentum and contrarian trading strategies in the U.S. stock market
Amerikan hisse senedi piyasasında momentum ve zıtlık yatırım stratejileri uygulamaları
YAĞIZHAN YILMAZ
Yüksek Lisans
İngilizce
2018
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. CUMHUR ENİS EKİNCİ