Geri Dön

LSTM kullanarak japon mum çubuğuna ve RSI, CCI, MA göstergelerine dayalı Forex piyasalarını tahmin etme

Forecasting Forex markets based on japanese candlestick and RSI, CCI, MA indicators using LSTM

  1. Tez No: 875837
  2. Yazar: BASHIR YOUSIF AMHIMID ALWESH
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FUAT TÜRK, ÖĞR. GÖR. MAHMUT KILIÇASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Çankırı Karatekin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 77

Özet

Bu çalışmada, finansal ticarete yönelik Forex piyasası beklentilerinin incelenmesine odaklanılmıştır. Forex piyasası tahminleri, küresel finans piyasalarındaki tüccarlar ve yatırımcılar için hayati öneme sahiptir. Birçok farklı tahmin yöntemi teknik kalıplara ve finansal göstergelere dayanmaktadır. EUR/USD tahminini iyileştirmek için mum çubuklarına ve finansal değişkenlere dayalı bir Uzun Kısa Süreli Bellek (LSTM) modeli kullanıldı. Japon şamdanları finansal piyasaları değerlendirmek için en yaygın kullanılan araçlar arasındadır. Dolayısıyla fiyat kalıplarını ve alış ve satış arasındaki farkları gösteren bu mumlar, gelecekteki fiyat dalgalanmalarını tahmin etmek için önemli veriler sağlıyor. 15 dakikalık bir mum çubuğu okuması kullanılır. Ayrıca, Hareketli Ortalamalar (MA), Emtia Kanalı Endeksleri (CCI) ve Göreceli Güç Endeksleri (RSI) gibi teknik finansal göstergeler, finansal piyasalarda tahmine yönelik sinyaller oluşturmak ve eğilimleri tahmin etmek için kullanılmıştır. Bu göstergeler, modelin piyasadaki eğilimleri ve değişiklikleri tahmin etme yeteneğini değerlendirmek için gereklidir. LSTM, verileri işlemek ve döviz kurlarındaki tarihsel kalıplardan bilgi edinmek için kullanıldı. Bir grup modelle karşılaştırma yapıldı ancak LSTM modeli avantajı yakaladı. Elde edilen mutlak hata yüzdesi (MAE = 0.00043%) ve elde edilen mutlak hatanın ortalama yüzdesi (MAPE = 0.0407%) dahil olmak üzere birçok doğruluk ve istatistiksel performans ölçüsü kullanılmıştır. Performansı değerlendirmek ve model hatalarını ölçmek. Dolayısıyla bu çalışma, derin öğrenme tekniklerini kullanarak döviz tahminlerini iyileştirme yeteneğini yansıtıyor ve böylece tüccarların ve yatırımcıların koşullarının iyileştirilmesine ve onların daha akıllı yatırım seçimleri yapmalarına olanak sağlanmasına katkıda bulunabilir.

Özet (Çeviri)

In this study, the primary focus was on examining Forex market expectations for financial trading. Accurate Forex market forecasts are essential for traders and investors participating in global financial markets. Numerous forecasting methods rely on technical patterns and financial indicators. To enhance the EUR/USD forecast, an LSTM model based on candlesticks and financial variables was utilized. Japanese candlesticks rank among the most widely utilized tools for assessing financial markets. Finally, these candles, which illustrate price patterns and distinctions between buying and selling, provide crucial data for predicting future price fluctuations. A 15-minute candlestick reading was employed. Additionally, technical financial indicators like Moving Averages (MA), Commodity Channel Indices (CCI), and Relative Strength Indices (RSI) were used to generate predictive signals and estimate trends in financial markets. These indicators are vital for evaluating the model's capability to predict trends and market changes. LSTM processed data and learned from historical patterns in exchange rates. A comparison was conducted with a group of models, where the LSTM model demonstrated superiority. Various measures of accuracy and statistical performance were employed, including the achieved percentage of absolute error (MAE = 0.00043%) and the average percentage of absolute error (MAPE = 0.0407%), to assess the model's performance and measure errors. Ultimately, this study highlights the potential to enhance currency forecasts through deep learning techniques, contributing to improved decision-making for traders and investors.

Benzer Tezler

  1. Uzun kısa süreli bellek (LSTM) kullanarak bulut ortamında anomali tespiti için yeni bir akıllı sistem

    A new intelligent system for anomaly detection in cloud envirounmrnt using long short-term memory (LSTM)

    AHMED ADNAN KHUDHUR KHUDHUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEFER KURNAZ

  2. A new security system in android os combining power spectral density and waevelet transform based on KNN

    Uzun kısa süreli bellek (LSTM) kullanarak bulut ortamında anomali tespiti için yeni bir akıllı sistem

    HASAN LATEEF MUHİ ALFADHILI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM

  3. Uzun kısa süreli bellek (LSTM) kullanarak İstanbul ve civarı için deprem eğilimi tahmini

    Earthquake trend prediction for İstanbul and surroundings using long short term memory (LSTM)

    YASİN KARAKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN ALTUNTAŞ

  4. Modeling diesel oxidation catalyst exhaust gas temperatures using long short-term memory recurrent neural networks

    Dizel oksidasyon katalizörünün egzoz gaz sıcaklıklarının lstm rnn kullanarak modellenmesi

    MAHDI ABDELAZIM ABDALLA ELHAG MAHDI ABDELAZIM ABDALLA ELHAG

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mekatronik MühendisliğiYıldız Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET SELÇUK ARSLAN

  5. Price forecasting with machine learning: An application in stainless steel industry

    Makine öğrenmesi ile fiyat tahmini: Paslanmaz çelik sektörü uygulaması

    ERAY DUMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiMarmara Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN SELÇUK KILIÇ