Finansal alanda yapay zekâ: Makine öğrenmesi algoritmalarıyla hisse senedi fiyat tahmini
Artificial intelligence in finance: Stock price prediction with machine learning algorithms
- Tez No: 893798
- Danışmanlar: PROF. DR. SEVİNÇ GÜLER ÖZÇALIK
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Finans Bilim Dalı
- Sayfa Sayısı: 77
Özet
Borsa davranışını tahmin etmek hem ekonomistlerin hem de bilgisayar bilimcilerinin ilgisini çeken klasik ancak karmaşık bir konudur. Geçtiğimiz birkaç on yıl boyunca araştırmacılar, doğru bir tahmin modeli oluşturmak için doğrusal modellerin yanı sıra makine öğrenimi (ML), derin öğrenme (DL), takviyeli öğrenme (RL) ve derin takviyeli öğrenmeye (DRL) dayalı modeller geliştirmişlerdir. Yatırımcılar, yapay zekanın sağladığı fırsatları değerlendirmek için derin öğrenme modellerini gittikçe yaygın bir şekilde kullanmaktadırlar. Finansal uygulamalarda önemli bir araştırma alanı olan finansal zaman serisi tahmini, makine öğrenmesi (ML) tekniklerinin gelişmesiyle birlikte son yıllarda finansal ve bilimsel alanlarda giderek dikkati daha çok üzerine çeken bir konu haline gelmiştir. Bu çalışmanın amacı, finansal zaman serilerinin gelecekteki değerini tahmin etmek için Makine Öğrenmenin alt dalı olan Derin Öğrenme Yöntemlerinin kullanımı sonucunda yöntemin başarısını değerlendirmektir. Çalışmada, BIST 100 endeksinde işlem gören üç büyük şirkete (THYAO, TUPRS, BIMAS) ait 2557 günlük zaman serisi verileri analiz edilmiştir. Derin öğrenme yöntemlerinden biri olan LSTM algoritması kullanılarak hisse senedi kapanış fiyatları tahmin edilmiştir. Çalışma sonucunda hesaplanan performans değerlerine göre LSTM yöntemi, fiyat tahmininde yüksek başarı oranı sergilemektedir. Çalışma sonucunda deneysel çıktılar ile belirlenen epoch ve batch size değerlerine sahip LSTM modelinin %90'ın üzerinde doğruluk oranı ve %1'in altında hata oranı ile başarılı tahminler yaptığı görülmüştür. BIMAS analizi en düşük hata oranına (7.78%) ve en yüksek doğruluk oranına (92.22%) sahipken, TUPRAS analizi en yüksek model uyumunu (99,87%) göstermiştir. Çalışmadan elde edilen bilgilere göre, LSTM algoritması hisse senedi zaman serisi analizini yüksek doğruluk oranıyla tamamlamayı başarmıştır ve tahmin edilen fiyat ile gerçek fiyat değerleri oldukça yakındır.
Özet (Çeviri)
Predicting stock market behavior is a classic but complex topic of interest to economists and computer scientists alike. Over the past few decades, researchers have developed linear models as well as models based on machine learning (ML), deep learning (DL), reinforcement learning (RL), and deep reinforcement learning (DRL) to build an accurate forecasting model. Investors are increasingly using deep learning models to predict and evaluate stock and currency markets due to the benefits of artificial intelligence. Financial time series forecasting, which is an important research area in financial applications, has become a subject of increased interest in financial and academic fields in recent years with the development of machine learning (ML) techniques. The purpose of this study is to evaluate the success of a method that utilizes deep learning techniques, a subfield of ML, to predict the future value of financial time series. The study analyzed 2557 daily time series of three large companies (THYAO, TUPRS, BIMAS) traded in the BIST 100 index. The closing prices of the stocks were predicted using the LSTM algorithm, one of the deep learning methods. According to the performance values obtained in the study, the LSTM method shows a high success rate in predicting prices. As a result of the study, it was observed that the LSTM model with the epoch and batch size values determined during the experiment successfully predicts prices with more than 90% accuracy rate and less than 1% error. BIMAS analysis showed the lowest error rate (7.78 %) and highest accuracy (92.22 %) while TUPRAS analysis showed the highest model fit (99.87 %). According to the information obtained from the study, the LSTM algorithm was able to analyze the time series of the stock with high accuracy and the predicted price and the actual price values are very close.
Benzer Tezler
- Predicting direction of stock price movement by using adaptive ensemble learning method
Hisse senedi fiyatı hareket yönünün adaptif topluluk öğrenmesi metodu ile tahmin edilmesi
ALİ ÖZKAN PEKMEZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
HÜSEYİN MUSTAFA METİN
Doktora
Türkçe
2024
MatematikMuğla Sıtkı Koçman Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERDOĞAN GAVCAR
- Makine öğrenmesi yöntemleri ile kripto paraların gelecekteki tahmini
Future prediction of cryptocurrencies with machine learning methods
ELİF DİLASA KURT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
DR. AHMET ELBİR
- Makine öğrenmesi teknikleriyle üretim tahmini ve kalite sınıflandırması: Bir tekstil tesisinde uygulama
Production forecasting and quality classification with machine learning techniques: Application in a textile plant
NEVİN KAÇAR
Yüksek Lisans
Türkçe
2024
İşletmeAydın Adnan Menderes Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HÜSEYİN ŞENKAYAS
- Artificial intelligence applications selection via mcdm methods in aviation maintenance, repair & overhaul industry
Havacılık bakım, onarım ve yenileme sektöründe yapay zeka uygulamalarının çkkv yöntemleri ile seçilmesi
METİN EMİN ASLAN
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH ÇAĞRI TOLGA