Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
- Tez No: 873847
- Danışmanlar: PROF. DR. ERDOĞAN GAVCAR
- Tez Türü: Doktora
- Konular: Matematik, İstatistik, İşletme, Mathematics, Statistics, Business Administration
- Anahtar Kelimeler: Veri Bilimi, Yapay Zekâ, Makine Öğrenimi, Derin Öğrenme, Yapay Sinir Ağları, Genetik Algoritmalar, Özellik Mühendisliği, Veri Hazırlama, Data Science, Artificial Intelligence, Machine Learning, Deep Learning, Artificial Neural Networks, Genetic Algorithms, Feature Engineering, Data Preparation
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 201
Özet
Yapay zekâ, makinelerin yeni sonuçlara uyum sağlamalarını, deneyimlerden öğrenmelerini ve görevleri yerine getirmelerini sağlayan sistemlerdir. Esasen insan yetkinliklerini geliştirmek ve iyileştirmek için tasarlanmıştır. Ancak şirketler, müşteri hizmetlerinden tedarik zinciri yönetimine, hisse senedi değerlerinin tahmin edilmesinden kanser hastalıklarının erkenden tespitine kadar çok çeşitli alanlarda yapay zekâyı kullanıyor. Bu matematiksel süreci günümüz teknolojik sistemlerinden ayıran en önemli özellik insan zekâsını taklit edebilmesidir. Bu sistem mevcut durumları gözlemler, ilgili durumu verilen parametrelere göre ele alır ve buna göre tepki verir. Süreç içinde veriler, yinelemeli algoritmalar yardımıyla hızlıca işlenir. 1956 yılında tanıtılan yapay zekâ terimi, bilim ve teknolojinin gelişmesi, veri miktarının artması, algoritmaların ve hesaplamaların gelişmesiyle günümüzde daha popüler hale geldi. İlk aşamalarda çalışmalar problem çözme ve sembolik yöntemlerle ilgiliydi. Son yıllarda, bilgisayar donanımındaki teknolojik ilerlemeler ve makine öğrenme tekniklerindeki gelişmeler sayesinde, problem çözme alanında, iki artan yaklaşım öne çıkmaktadır:“Büyük Veri”ve“Paralel İşleme”. Makine öğrenmesi ile gelişen yapay zekâ günümüzde modelleme, tahminlerde bulunma, görüntüleri, sesleri ve verileri tanıma gibi karmaşık işlemleri çözebilen derin öğrenme ile gelişmeye devam ediyor. Özellikle, çok çekirdekli bilgi işlem aygıtlarında paralel olarak gerçekleştirilebilen derin öğrenme algoritmalarının gelişmesiyle birçok gerçek dünya problemi çözülebilmektedir. Derin öğrenme,“Büyük Data”olarak tanımlanan büyük ölçekli verileri, algoritmalar ve yinelemeli işlemler ile birleştirerek analiz eder. Bu süreçte, işlenen verilere ait özellikleri ve bağlantıları öğrenir. Derin öğrenme modelleri, eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir. Özellikle finansal piyasalarda, bu modellerin en aktif uygulama alanlarından biride borsada işlem gören hisse senetlerinin tahminidir. Bu alanda amaç, hisse senedinin, önceki günlük verilerine ve diğer değişkenlere bakarak kısa veya uzun vadeli gelecekteki değerini tahmin etmektir. Bu araştırmada,“Türk Hava Yolları”,“Şişe Cam”ve“ASELSAN”hisse senedi fiyatları; çok katmanlı yapay sinir ağı, araştırmanın konusu olan ikinci model; genetik algoritmalarla eğitilen çok katmanlı yapay sinir ağı ve doğrusal olmayan (polynomial) regresyon modelleri kullanılarak tahmin edilmeye çalışılmıştır. Bu kapsamda 01.01.2019 – 14.05.2023 tarihleri arasındaki bu üç hisse senetlerinin, her bir hisse senedi değerleri bir bağımlı değişkenin ve 38 bağımsız değişkenin yaklaşık dört buçuk yıllık geçmiş haftalık verileri kullanılmıştır. Bulgulara göre en iyi performans değerlerinin, standartlaştırılmış verilere ait genetik algoritmalarla eğitilen çok katmanlı yapay sinir ağı modeline ait olduğu görülmektedir (R2 = 0,94). İkinci sırada da normalleştirilmiş verilere ait genetik algoritmalarla eğitilen çok katmanlı yapay sinir ağı modelinin olması (R2 = 0,88), bu yaklaşımın yapay sinir ağı ağırlık değerlerini diğer yaklaşımlara göre daha iyi eğittiğini yani daha iyi optimize ettiğini göstermektedir.
Özet (Çeviri)
Artificial intelligence is systems that enable machines to adapt to new results, learn from experience and perform tasks. It is essentially designed to develop and improve human competencies. However, companies use artificial intelligence in a wide variety of areas, from customer service to supply chain management, from estimating stock values to early detection of cancer diseases. The most important feature that distinguishes this mathematical process from today's technological systems is its ability to imitate human intelligence. This system observes current situations, handles the relevant situation according to the given parameters and reacts accordingly. In the process, data is processed quickly with the help of iterative algorithms. The term artificial intelligence, introduced in 1956, has become more popular today with the development of science and technology, the increase in the amount of data, and the development of algorithms and calculations. In the early stages, studies were concerned with problem solving and symbolic methods. In recent years, thanks to technological advances in computer hardware and advances in machine learning techniques, two increasing approaches to problem solving have come to the fore:“Big Data”and“Parallel Processing”. Artificial intelligence, which develops with machine learning, continues to develop today with deep learning, which can solve complex operations such as modeling, making predictions, recognizing images, sounds and data. In particular, many real world problems can be solved with the development of deep learning algorithms that can be implemented in parallel on multi core computing devices. Deep learning analyzes large scale data, defined as“Big Data”, by combining it with algorithms and iterative processes. In this process, it learns the features and connections of the processed data. Deep learning models show great success in applications such as classification, regression analysis and time series prediction with the data they are trained on. Especially in financial markets, one of the most active application areas of these models is the prediction of publicly traded stocks. The aim in this field is to predict the short or long term future value of the stock by looking at previous daily data and other variables. In this research, the stock prices of“Turkish Airlines”,“Sise Cam”and“ASELSAN”were estimated using a multilayer artificial neural network, the second model that is the subject of the research; a multilayer artificial neural network trained by genetic algorithms and nonlinear (polynomial) regression models. In this context, approximately four and a half years of historical weekly data of these three stocks, each stock values of one dependent variable and 38 independent variables between 01.01.2019 and 14.05.2023 were used. According to the findings, the best performance values appear to belong to the multilayer artificial neural network model trained with genetic algorithms on standardized data (R2 = 0.94). The second place is the multi-layered artificial neural network model trained with genetic algorithms for normalized data (R2 = 0.88), which shows that this approach trains the artificial neural network weight values better than other approaches, that is, it optimizes them better.
Benzer Tezler
- Finansal alanda yapay zekâ: Makine öğrenmesi algoritmalarıyla hisse senedi fiyat tahmini
Artificial intelligence in finance: Stock price prediction with machine learning algorithms
SHAHIDA BARATOVA
Yüksek Lisans
Türkçe
2024
İşletmeDokuz Eylül Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLER ÖZÇALIK
- Derin öğrenmede istatistiksel yöntemlerle hisse senedi fiyatı öngörüsü
Stock price forecast with statistical methods in deep learning
ELİF NUR GÜNEY
Yüksek Lisans
Türkçe
2022
EkonometriSüleyman Demirel ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CÜNEYT TOYGANÖZÜ
- Derin öğrenmede tekrarlayan sinir ağları yaklaşımı ile hisse senedi fiyat tahmini
Stock price prediction with recurrent neural networks approach in deep learning
GÜLDENİZ CANATAN
Yüksek Lisans
Türkçe
2023
İstatistikÇukurova Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. GÜZİN YÜKSEL
- Derin öğrenme ile hisse senedi piyasası tahmini
Predicting stock market by using deep learning
CANSU ALTUNBAŞ
Yüksek Lisans
Türkçe
2021
EkonometriAydın Adnan Menderes ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELVAN HAYAT
DR. ÖĞR. ÜYESİ OLGUN AYDIN
- 3D face animation generation from audio using convolutional neural networks
Evrişimsel ağlar ile sesten 3B yüz animasyonu üretilmesi
TÜRKER ÜNLÜ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER