Adaptive incremental learning for stock trend forecasting
Uyumlu kademeli öğrenme yöntemi ile hisse senedi trend tahminlemesi
- Tez No: 872578
- Danışmanlar: PROF. DR. MEHMET VOLKAN ATALAY
- 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: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Hisse senedi piyasasındaki akan verilere uygulanan toplu öğrenme yaklaşımları kav- ram kaymaları nedeniyle yetersiz kalmaktadır. Öte yandan, kademeli öğrenme yön- temi hisse senedi piyasası akan verilerdeki kavram kayması sorununa çözüm olarak tam anlamıyla keşfedilmemiştir. Bu sorunu çözmek için hisse senedi özelliklerindeki değişiklikleri algılayıp model yapısını hızla adapte eden kademeli öğrenme yöntemi olan ADIN-Forecast'i sunuyoruz. ADIN-Forecast Kapılı Tekrarlayan Birim (GRU) kullanarak, katmanların kendiliğinden büyümesini sağlayarak, veri dağılımındaki de- ğişikliklere dinamik olarak uyum sağlayabilir. Bununla beraber, kendiliğinden bü- yüyen model mimarilerinin dramatik unutkanlığa maruz kaldığı bilinmektedir. Bunu önlemek için, kavram kaymalarının oluşmasına bağlı olarak belirli katmanları ak- tive edebilen veya devre dışı bırakabilen bir kontrol mekanizması geliştirdik. ADIN- Forecast GRU modelini RNN ve LSTM gibi diğer derin öğrenme modelleriyle de de- ğiştirilebilir. İki ardışık zaman aralığındaki verinin PCA özvektörleri arasındaki farkı veri dağılımındaki kaymaları tespit etmek için kullanıyoruz. Yaklaşımımız, akan ve- rideki kaymalara göre dinamik olarak gelişirken, artımsal doğası sayesinde bellek ve zaman verimliliğini sağlar. Yöntemimizi açık kaynaklı kantitatif yatırım platformu Qlib'deki CSI 300 veri setinde değerlendirdik ve alandaki diğer çalışmalarla karşı- laştırdık. ADIN-Forecast, GATS ve SFM gibi modellere kıyasla daha üstün bir per- formans sergilerken, HIST ve DoubleAdapt gibi modellere göre biraz daha düşük bir performans gösterir.
Özet (Çeviri)
Batch learning approaches cannot cope with the concept drift inherent in the stock market stream data. On the other hand, incremental learning has not been fully explored as a solution to the problem of concept drift in the stock market stream data. We propose ADIN-Forecast that detects changes in stock features and quickly adapts the model structure to mitigate the drawbacks of data shifts through incre- mental learning. ADIN-Forecast uses a Gated Recurrent Unit (GRU), enabling the self-growth of layers that can dynamically adjust to the changes in the data distribu- tion. Self-growing model architectures are known to experience catastrophic forget- ting. To counter this, we have developed a control mechanism capable of activating or deactivating layers and applying a penalty coefficient to the layers' weights depend- ing on the occurrence of concept drifts. Forecasting model GRU in ADIN-Forecast can also be substituted with other neural networks, such as MLP, RNN, and LSTM. ADIN-Forecast uses the difference between PCA eigenvectors for the two consec- utive data windows to detect changes and offers a model that evolves dynamically according to these changes while ensuring memory and time efficiency through its incremental nature. We evaluated our methodology on the CSI 300 dataset in the open-source quantitative investment platform Qlib and compared it with other studies in the field. ADIN-Forecast outperforms compared to models such as GATS and SFM while showing slightly inferior performance to HIST and DoubleAdapt.
Benzer Tezler
- Bilişsel robotlarda yaşam boyu deneyimsel öğrenme ile hata kotarma
Failure recovery by long-term experience-based learning for cognitive robotics
SERTAÇ KARAPINAR
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SANEM SARIEL TALAY
- Tamgacı: Artırımsal ve geri beslemeli Türkçe yazar çözümleme
Turkish authorship analysis with an incremental and adaptive model
OĞUZ ASLANTÜRK
Doktora
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAYRİ SEVER
- Bilişsel robotlar için öğrenme güdümlü sembolik planlama
Learning guided symbolic planning for cognitive robots
PETEK YILDIZ
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SANEM SARIEL TALAY
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Hareketli etmenler için arama algoritmaları
Search algorithms for moving agents
AYŞEGÜL MUT
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDeniz Harp Okulu KomutanlığıBilgisayar Mühendisliği Bölümü
DOÇ. NAFİZ ARICA