Hisse senedi fiyatlarının makine öğrenmesi kullanılarak tahmin edilmesi
Predicting stock prices using machine learning
- Tez No: 892636
- Danışmanlar: PROF. ALİ GÜNEŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine Öğrenmesi, Hisse Senedi Tahmini, Zaman Serisi, Yapay Sinir Ağları, Teknik Analiz, Machine Learning, Stock Prediction, Time Series, Artificial Neural Networks, Technical Analysis
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Teknolojinin gelişmesi ile beraber Bankacılık ve Finans sektöründe üretilen veri ve saklanan veri miktarı artmaktadır. Bu veriyi kullanarak gelecekteki fiyatların tahmin edilmesi konusunda her geçen gün daha fazla veri elde edilmektedir. Bu veriyi işleme tekniği olarak Makine Öğrenmesi yöntemleri kullanılmaktadır. Hisse senedi hedef fiyatının sağlıklı bir şekilde saptanması için farklı teknikler kullanılmaktadır. Bu çalışmanın amacı, çağımızda popüler bir yatırım aracı haline gelmiş olan hisse senedi enstrümanlarının kapanış fiyatlarının tahmin edilmesidir. Yatırımcılar, yatırımlarını minimum riskle en yüksek karı elde etmek amacıyla bu tür tahminlere yönelmektedir. Bu bağlamda, hisse senetlerinin gelecekteki kapanış fiyatlarının doğru bir şekilde tahmin edilmesi büyük bir önem taşımaktadır. Yatırım kararlarının belirlenmesinde, temel analiz ve teknik analiz olarak adlandırılan iki ana yöntem kullanılmaktadır. Son yıllarda hızla gelişen yazılım ve donanım teknolojileri, teknik analizde kullanılan istatistiksel yöntemlerin daha yaygın bir şekilde uygulanmasına olanak sağlamaktadır. Bu çalışmada, 2010-2019 yılları arasında Apple, Google, Microsoft, Amazon ve Nvidia hisse senetlerinin kapanış değerleri üzerine Arima, XGBoost, Prophet algoritmaları ve LSTM (Uzun Kısa Vadeli Hafıza Ağları) kullanılarak bir analiz yapılmıştır. Çalışmanın amacı, uzun vadeli hisse senedi tahminlerinde kullanılan bu algoritmaların performansını ve hata toleransını ölçmektir. Bu sayede, hangi algoritmanın daha başarılı sonuçlar verdiği belirlenerek yatırımcılara daha güvenilir tahminler sunulması hedeflenmektedir. Bu çalışma, hisse senedi piyasalarında uzun vadeli tahminlerin önemini vurgulamakta ve çeşitli algoritmaların bu bağlamdaki performansını kapsamlı bir şekilde incelemektedir. Analizler, yatırımcıların bilinçli kararlar almasına yardımcı olmayı amaçlamaktadır. Bu doğrultuda, ilgili algoritmaların teorik temelleri, uygulama süreçleri ve elde edilen sonuçlar detaylı bir şekilde ele alınmıştır.
Özet (Çeviri)
With the development of technology, the amount of data produced and stored in the Banking and Finance sector is increasing. By using this data, more and more data is obtained every day to predict future prices. Machine Learning methods are used as a technique for processing this data. Different techniques are used to determine the stock target price in a healthy way. The aim of this study is to predict the closing prices of stock instruments, which have become a popular investment instrument in our age. Investors turn to such forecasts in order to obtain the highest profit with minimum risk. In this context, it is of great importance to accurately predict the future closing prices of stocks. Two main methods, fundamental analysis and technical analysis, are used in determining investment decisions. The rapidly developing software and hardware technologies in recent years have enabled the statistical methods used in technical analysis to be applied more widely. In this study, an analysis was conducted on the closing values of Apple, Google, Microsoft, Amazon and Nvidia stocks between 2010-2019 using Arima, XGBoost, Prophet algorithms and LSTM (Long Short Term Memory Networks). The aim of the study is to measure the performance and fault tolerance of these algorithms used in long-term stock forecasting. In this way, it is aimed to provide more reliable forecasts to investors by determining which algorithm gives more successful results. This study emphasises the importance of long-term forecasts in stock markets and comprehensively analyses the performance of various algorithms in this context. The analyses aim to help investors make informed decisions. To this end, the theoretical foundations of the algorithms, implementation processes and the results obtained are discussed in detail.
Benzer Tezler
- Stock trend prediction and portfolio optimization
Hisse senedi trend tahmini ve portfoy optimizasyonu
DENİZ PEKŞEN
Yüksek Lisans
İngilizce
2022
EkonomiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN ÖRSAN ÖZENER
- Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities
Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği
ABDURRAHMAN KILIÇ
Doktora
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach
Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi
ŞEYMA EĞE
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Hisse senedi fiyat tahmini için makine öğrenimi ve zaman serisi modeli arasındaki karşılaştırmalı analizi
Comparative analysis of stock price prediction between machine learning and time series models
ONUR BERK YEŞİL
Yüksek Lisans
Türkçe
2023
EkonometriÇankaya ÜniversitesiVeri Analitiği Ana Bilim Dalı
PROF. DR. MEHMET NİHAT SOLAKOĞLU