Geri Dön

Machine learning applications for time series analysis

Zaman serileri analizi için makine öğrenmesi uygulamaları

  1. Tez No: 885503
  2. Yazar: MERT CAN
  3. Danışmanlar: PROF. DR. ATABEY KAYGUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Matematik, İstatistik, Mathematics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Matematik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Matematik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 111

Özet

Günümüzde yapay zeka teknolojilerinin hızla gelişmesi ve bireylerin finansal yatırım araçlarına yönelik farkındalığının artması, finansal piyasaların daha derinlemesine anlaşılmasını gerektirmektedir. Bu gelişmeler, geleneksel finans teorilerinin ötesinde, daha karmaşık ve çok boyutlu analizlerin yapılmasına olanak sağlamaktadır. Özellikle makine öğrenimi algoritmaları, büyük veri setlerindeki karmaşık desenleri tespit etme ve bu desenleri kullanarak geleceğe yönelik tahminler yapma konusunda önemli avantajlar sunmaktadır. Bu bağlamda, zaman serisi analizleri, finansal varlıkların davranışlarını modellemek ve gelecekteki hareketlerini tahmin etmek için kritik bir araç haline gelmiştir. Yapay zeka ve makine öğrenimi teknikleriyle desteklenen bu analizler, yatırımcıların daha bilinçli kararlar almasına, risk yönetimi stratejilerinin geliştirilmesine ve piyasa etkinliğinin artırılmasına katkıda bulunmaktadır. Örneğin, derin öğrenme modelleri, geleneksel istatistiksel yöntemlerin yakalayamadığı doğrusal olmayan ilişkileri ve uzun vadeli bağımlılıkları tespit edebilmektedir. Bu, özellikle yüksek frekanslı ticaret ve algoritmik alım-satım stratejilerinin geliştirilmesinde büyük önem taşımaktadır. Ayrıca, doğal dil işleme teknikleri kullanılarak finansal haberler ve sosyal medya verileri analiz edilebilmekte, bu da piyasa duyarlılığının ölçülmesine ve yatırım kararlarının iyileştirilmesine olanak sağlamaktadır. Finansal piyasaların karşılaştırmalı analizi, global ekonomik trendlerin anlaşılması ve uluslararası portföy çeşitlendirmesi stratejileri için kritik bilgiler sağlamaktadır. Bu analizler, farklı ülke borsaları arasındaki korelasyonları, sektörler arası etkileşimleri ve makroekonomik faktörlerin piyasalar üzerindeki etkilerini incelemektedir. Örneğin, gelişmiş ve gelişmekte olan piyasalar arasındaki ilişkilerin analizi, yatırımcılara küresel risk dağıtımı konusunda önemli içgörüler sağlamaktadır. Ayrıca, bu tür karşılaştırmalı analizler, finansal bulaşma etkilerinin ve sistemik risklerin belirlenmesinde de kritik rol oynamaktadır. Kripto para piyasaları gibi yeni ortaya çıkan finansal araçların geleneksel piyasalarla olan etkileşimi, finansal sistemin evrimini anlamak açısından önem taşımaktadır. Bu yeni varlık sınıfı, geleneksel finansal teorileri ve risk yönetimi yaklaşımlarını yeniden değerlendirmeyi gerektirmektedir. Kripto paraların yüksek volatilitesi, geleneksel varlıklarla düşük korelasyonu ve 7/24 işlem görebilme özellikleri, hem fırsatlar hem de zorluklar sunmaktadır. Farklı varlık sınıflarının güvenilirlik ve öngörülebilirlik açısından karşılaştırılması, risk-getiri profillerinin belirlenmesinde kritik rol oynamaktadır. Örneğin, devlet tahvilleri genellikle daha öngörülebilir ve düşük riskli olarak kabul edilirken, hisse senetleri ve kripto para birimleri daha yüksek volatilite ve rastgele davranış sergileyebilmektedir. Bu farklılıkların anlaşılması, yatırımcıların risk toleranslarına ve yatırım hedeflerine uygun portföyler oluşturmasına yardımcı olmakta, aynı zamanda düzenleyici otoritelerin piyasa istikrarını korumak için gerekli politikaları geliştirmelerine katkıda bulunmaktadır. Bu tez çalışması, BIST30, BIST100, Apple hisse senetleri ile Bitcoin ve Ethereum gibi kripto para birimlerinin günlük kapanış fiyatlarını içeren çeşitli veri setlerini incelemektedir. Çalışmada, ARIMA, SARIMA ve GARCH modelleri uygulanmış, veri ön işleme aşamasında logaritmik dönüşümler ve durağanlaştırma teknikleri kullanılmıştır. Serilerin durağanlığı Augmented Dickey-Fuller (ADF) ve Kwiatkowski-Phillips-Schmidt-Shin (KPSS) testleri ile incelenmiştir. ARIMA modelleme sonuçları, BIST30, BIST100 ve Apple için ARIMA(0,1,0) modelinin en uygun olduğunu göstermiş, bu da bu varlıkların basit rassal yürüyüş sürecine yakın davrandığını ortaya koymuştur. Bitcoin için ARIMA(2,1,0) ve Ethereum için ARIMA(1,1,2) modellerinin seçilmesi, kripto para birimlerinin daha karmaşık zaman serisi özelliklerine sahip olduğunu göstermiştir. GARCH modelleme sonuçları, tüm varlık sınıfları için asimetrik volatilite modellerinin (GJR-GARCH ve EGARCH) standart GARCH modellerinden daha iyi performans gösterdiğini ortaya koymuştur. Bu, finansal piyasalardaki asimetrik şokların önemini vurgulamaktadır. BIST30 ve BIST100 için GJR-GARCH(1,1), Bitcoin ve Ethereum için EGARCH(1,1), Apple için GJR-GARCH(1,2) modellerinin en uygun bulunması, her bir varlık sınıfının kendine özgü volatilite dinamiklerine sahip olduğunu göstermiştir. Çalışmanın temel bulguları, finansal zaman serilerinin öngörülebilirliğinin oldukça sınırlı olduğunu ortaya koymaktadır. Bu sonuç, finansal piyasaların karmaşık ve dinamik yapısını yansıtmakta ve etkin piyasa hipotezi ile uyumlu görünmektedir. Mevcut fiyatlandırma veya günlük fiyat değişimleri, gelecekteki hareketleri tahmin etmek için tek başına yeterli olmamaktadır. Bu durum, piyasaların sürekli değişen doğasını ve çoklu faktörlerin etkileşimini göstermektedir. Mevsimsellik, sezonsal değişkenlik ve dönemsel trendler gibi faktörler, tahmin sürecini önemli ölçüde karmaşıklaştırmaktadır. Bu faktörler, finansal varlıkların fiyat hareketlerinde tekrarlanan ancak düzenli olmayan kalıplar oluşturabilmektedir. Örneğin, bazı hisse senetleri yılın belirli dönemlerinde daha iyi performans gösterebilirken, diğerleri ekonomik döngülere daha duyarlı olabilir. Bu tür karmaşık etkileşimler, basit doğrusal modellerin ötesinde, daha sofistike tahmin yöntemlerinin gerekliliğini vurgulamaktadır. Özellikle kripto para birimlerinin, geleneksel finansal varlıklara göre daha karmaşık ve değişken dinamikler sergilediği gözlemlenmiştir. Bu gözlem, kripto para piyasalarının görece yeni olması, regülasyon eksikliği ve teknolojik gelişmelere olan yüksek duyarlılığı ile açıklanabilir. Kripto paraların fiyat hareketleri, sosyal medya trendleri, ünlü kişilerin açıklamaları ve global ekonomik olaylar gibi çok çeşitli faktörlerden etkilenebilmektedir. Bu durum, kripto para birimlerinin tahmin edilebilirliğini daha da zorlaştırmakta ve geleneksel finansal modellerin bu piyasalarda yetersiz kalabileceğini göstermektedir. Gelecekteki araştırmalar için, makroekonomik göstergeler, sektörel veriler, jeopolitik olaylar ve sosyal medya duyarlılığı gibi ek faktörlerin modellere dahil edilmesi önerilmektedir. Bu çok boyutlu yaklaşım, finansal varlıkların fiyat dinamiklerini etkileyen karmaşık ilişkileri daha iyi yakalayabilir. Örneğin, makroekonomik göstergeler (enflasyon oranları, faiz oranları gibi) ile hisse senedi fiyatları arasındaki ilişkinin incelenmesi, daha kapsamlı tahmin modelleri oluşturulmasına olanak sağlayabilir. Benzer şekilde, sosyal medya analizleri ve duygu analizi teknikleri, özellikle kripto para piyasalarındaki yatırımcı davranışlarını ve piyasa psikolojisini anlamak için değerli içgörüler sunabilir. Daha kısa zaman aralıklarında (saatlik, 30 dakikalık veya 15 dakikalık) analizler yapılması, piyasa dinamiklerini daha iyi yakalayabilir ve tahmin performansını artırabilir. Bu yaklaşım, özellikle yüksek frekanslı ticaret ve gün içi fiyat hareketlerinin anlaşılması açısından kritik öneme sahiptir. Yüksek frekanslı veriler, piyasa mikroyapısı hakkında daha detaylı bilgiler sağlayarak, likidite dinamikleri, emir akışı ve piyasa derinliği gibi faktörlerin fiyat oluşumu üzerindeki etkilerini inceleme fırsatı sunar. Bu tür analizler, alım-satım stratejilerinin optimize edilmesine ve piyasa verimliliğinin artırılmasına katkıda bulunabilir. Kısa vadeli fiyat hareketlerini etkileyen faktörlerin daha iyi anlaşılması, risk yönetimi ve portföy optimizasyonu açısından da önemlidir. Örneğin, ani fiyat sıçramaları veya düşüşleri, piyasa katılımcılarının davranışları ve haberlere olan tepkiler gibi kısa vadeli dinamikler, bu tür analizlerle daha net bir şekilde ortaya konabilir. Ancak, yüksek frekanslı verilerin analizi, büyük veri setleriyle çalışmayı gerektirdiğinden, ileri düzey veri işleme ve analiz tekniklerinin kullanılması zorunludur. Bu noktada, büyük veri teknolojileri, dağıtık hesaplama sistemleri ve yapay zeka algoritmaları gibi ileri teknolojilerin kullanımı önem kazanmaktadır. Bu tez çalışması, finansal piyasaların karmaşık ve öngörülmesi zor doğasını ortaya koyarak literatüre önemli katkılar sunmaktadır. Çalışmanın en önemli katkılarından biri, farklı varlık sınıfları için en uygun modelleme tekniklerini belirlemesidir. Bu, yatırımcılar ve finansal analistler için piyasa dinamiklerini anlamada ve risk yönetiminde kullanılabilecek değerli içgörüler sağlamaktadır. Örneğin, hisse senetleri, tahviller, döviz kurları ve kripto para birimleri gibi farklı varlık sınıflarının her biri için optimal modellerin belirlenmesi, bu varlıkların kendine özgü karakteristiklerini ve risk faktörlerini daha iyi anlamamıza olanak tanır. GARCH modelleri ailesinin farklı varlık sınıfları için farklı performans göstermesi, risk yönetimi stratejilerinin varlık sınıfına göre özelleştirilmesi gerektiğini vurgulamaktadır. Bu bulgu,“tek beden herkese uyar”yaklaşımının finansal modelleme ve risk yönetiminde yetersiz kalabileceğini göstermektedir. Örneğin, kripto para birimleri için EGARCH modellerinin daha uygun olması, bu varlık sınıfının asimetrik volatilite yapısını yansıtmaktadır. Bu tür bulgular, portföy yönetimi ve risk değerlendirmesi açısından önemli pratik uygulamalara sahiptir. Yatırımcılar ve fon yöneticileri, bu bilgileri kullanarak daha sofistike risk ölçüm teknikleri geliştirebilir ve varlık tahsis stratejilerini optimize edebilirler.

Özet (Çeviri)

In this studying, involves doing a range of tests using time series data sets collected from stock markets (BIST30, BIST100, Apple) and cryptocurrency marketplaces. Statistical analysis and artificial intelligence models are employed to investigate various data sets inside the studies, and the findings are subsequently analysed. The main objective of the study is to provide a valuable contribution to academic research and offer practical advantages to market investors. Consequently, the researcher has thoroughly examined the current models and studies in the literature and has chosen the most suitable artificial intelligence models (ARIMA, SARIMA, GARCH) for the thesis study. The paper extensively discusses and applies these concepts within its scope. The study's findings indicate that no existing framework can accurately forecast the time series-dependent pricing of crypto assets traded on stock exchanges and crypto exchanges. These conclusions are based on the results gained from the experiments conducted. The primary factors contributing to this unpredictability can be ascribed to market price volatility and the fact that price variations generate outcomes regardless of time. Subsequent investigations might prioritise the utilisation of additional data sources to enhance the existing time series data, hence enhancing the precision of prediction outcomes. Incorporating supplementary information such as macroeconomic indicators, sector-specific data, geopolitical events, and social media sentiment can augment the precision of prediction models. This thesis study offers essential insights into the predictability of financial time series. The present pricing and daily price changes alone are inadequate in providing credible predictions. This is because elements such as seasonality, seasonal variability, and periodic trends, which are stochastic in nature, make the prediction process more complex. The thesis clearly demonstrates the constraints and difficulties encountered in financial market analysis as described in the literature, with the assistance of data derived from both literature-based research and experiments. The statistical methods used and the data gained in this study serve as an initial investigation, with the goal of establishing a methodological basis for future studies and opening up possibilities for further research in many areas. This study is expected to serve as a benchmark for future market researchers and academics conducting research in this subject.

Benzer Tezler

  1. Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması

    Forecasting automobile sales using artificial neural networks and machine learning and comparison with time series analysis

    BEYZA KURTGERİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERVE CENGİZ TOKLU

  2. Derin öğrenmede istatistiksel yöntemlerle hisse senedi fiyatı öngörüsü

    Stock price forecast with statistical methods in deep learning

    ELİF NUR GÜNEY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EkonometriSüleyman Demirel Üniversitesi

    Ekonometri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CÜNEYT TOYGANÖZÜ

  3. Development of a machine learning prediction model for construction safety management

    İnşaat iş güvenliği yönetimi için makine öğrenmesine dayalı tahmin modeli geliştirilmesi

    KERİM KOÇ

    Doktora

    İngilizce

    İngilizce

    2022

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ASLI PELİN GÜRGÜN

  4. Character-level dilated deep neural networks for web attack detection

    Ağ yöresi saldırılarının belirlenmesi için karakter düzeyinde seyreltilmiş derin sinir ağları

    NAZANIN MOARREF

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET TAHİR SANDIKKAYA

  5. Data analysis with distributed machine learning methods in smart city applications

    Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi

    NAWAF ABDULLA

    Doktora

    İngilizce

    İngilizce

    2024

    Yönetim Bilişim SistemleriGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. MEHMET DEMİRCİ

    PROF. DR. SUAT ÖZDEMİR