Geri Dön

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

PDF İndir

  1. Tez No: 895426
  2. Yazar: ŞEYMA EĞE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
  12. Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
  13. Sayfa Sayısı: 71

Özet

Finansal piyasalar finansal ürünlerin alım satımlarının yapıldığı merkezlerdir. Bu piyasalarda hisse senetleri, tahviller, dövizler, emtialar gibi yatırım araçlarıyla alım-satım işlemleri gerçekleşmektedir. Yatırımcılar bu yatırım araçlarına yatırım yaparak kar elde etmeyi amaçlamaktadır. Yatırımcılar tarafından ilgi gören finansal ürünlerden biri de hisse senetleridir. Hisse seneti piyasalarının belirsiz ve karmaşık olması, iç ve dış dünyadaki gelişmelerin piyasaları etkiliyor olması, rastgele fiyat hareketlerinin olması fiyat tahmin sürecini zorlaştırmaktadır. Finansal verilerin aykırı, eksik ve düzensiz veriler içermesi nedeniyle finansal analiz süreci etkilenmektedir. Bu nedenlerden dolayı hisse senetleri yatırımcılar tarafından yüksek riskli finansal ürünler olarak değerlendirilmektedir. Araştırmacılar ise yatırım risklerini azaltmak, doğru alım-satım kararları vermek, gelecekteki kazançlı hisselerin tespitini yapmak için hisse fiyat tahmini konusunda araştırmalar yapmıştır. Geçmişten günümüze kadar hisse senedi fiyat tahminlemesinde birçok teknik kullanılmıştır. Bu tekniklerden bir tanesi istatiksel tekniklerdir. AR, MA, ARIMA, ARCH, GARCH gibi teknikler genellikle kullanılan istatiksel tekniklerden olmuştur. İstatiksel teknikler uygulanması ve uygulayıcı tarafından anlaşılması kolay fiyat tahminleme yöntemlerindendir. Fiyat ani iniş-çıkışlarında veya piyasadaki dinamiklerin değişimi ile karşılaşıldığında ilgili yöntemler fiyat tahminleme konusunda etkili olamayabilmektedir. Bu nedenden dolayı araştırmacılar tahminleme çalışmalarında makine öğrenmesi tekniklerini kullanmışlardır. Araştırmacılar makine öğrenmesi tekniklerinin adaptasyon ve duyarlılık özelliklerini kullanarak piyasalardaki değişimlere uyum sağlamaya çalışmaktadır. XGBoost, LSTM, SVM ve derin sinir ağları yaygın olarak bu çalışmalarda kullanılmaktadır. Ayrıca fiyat tahminleme konusunda desen tanıma (pattern recognition) yöntemi de kullanılmakta olup, geçmiş fiyat hareketleri baz alınarak gelecekteki fiyat hareketlerini tahmin etmek için desenler üretmektedir. Bu desenler incelenerek, alım-satım konusunda fikir sahibi olunmaktadır. Ayrıca fiyat tahminleme konusunda bir diğer kullanılan yöntemde sentimental analiz yöntemidir. Bu yöntem yatırımcıların duygusal durum ve eğilimlerini inceleyerek piyasa eğilimlerini anlamayı amaçlamaktadır. Bu yöntemler tek başına kullanabilindiği gibi birlikte kullanılarakta tahminleme işlemi yapılabilmektedir. Bu çalışma hisse senedi fiyat tahmini konusunda pekiştirmeli öğrenme ve duygusal analiz yaklaşımlarını birlikte kullanarak Borsa İstanbul piyasasındaki hisselerin fiyat hareketlerini daha iyi anlamayı ve tahmin etmeyi amaçlamaktadır. Ayrıca, Borsa İstanbul piyasasındaki hisse senetlerinin fiyat tahminlemesi konusunda eksik çalışmalar olduğu göz önüne alınarak, bu çalışma bu eksikliği gidermeyi amaçlamaktadır. Çalışmamızda derin pekiştirmeli öğrenme algoritmasını kullanmış olup, piyasa eğilimlerini incelemek için de şirketlerin Kamu Aydınlatma Platformu'na bildirdiği özel durum açıklamaları kullanılarak distilroberta modeli ile sentimental analiz çalışması yapılmıştır. Çalışmada Borsa İstanbul üzerinde işlem gören 8 şirketin hissesi seçilmiştir. AKBNK, ISBNK, TUPRS, SISE, EKGYO, EREGL ve BIMAS ismli hisseler çalışma için seçilen hisseler olmuştur. Data içerisinde bu şirket hisselerinin Ocak 2021 ve Mart 2024 tarihleri arasındaki günlük açılış, kapanış, en yüksek, en düşük ve düzeltilmiş kapanış fiyatları ile hacim bilgileri veri seti içerisinde kullanılmış olup, günlük verilerle geleceğe yönelik tahmin işlemini geliştirmek için teknik indikatörler de hesaplanmıştır. SMA, EMA, MACD, Bollinger Bands ve Ichımoku bulutu çalışma içerisinde kullanılan teknik indikatörlerdir. Bu indikatörlerin tüm bileşenleri veri içerisinde girdi olarak kullanılmıştır. Bu verilerin dışında günlük olarak bir önceki güne göre kapanış fiyatları arasındaki değişimler de veri seti içerisinde girdi olarak bulunmaktadır. Ayrıca tahvil, altın ve petrol kapanış fiyatları ile bu kapanış fiyatlarının bir önceki güne göre fiyat değişimi de veri içerisinde girdi olarak bulunmaktadır. Hisseleri seçilen şirketlerin kamu aydınlatma platformundaki Ocak 2021 ve Mart 2024 tarihleri arasındaki özel durum açıklamalarına KAP sitesinden elde edilip, bu dokümanlara distilroberta modeli kullanılarak duyarlılık analizi yapılmıştır. Özel durum açıklamalarının güven puanı hesaplanmış, güven puanına göre özel durum açıklamalarının finansal etkisi pozitif, negatif ve nötr olarak sınıflandırılmıştır. Bu kategorik sınıflandırmalarda pozitif olanlar 1, nötr olanlar 0, negatif olanlar -1 olacak şekilde sayısallaştırılmıştır. Finansal etki sınıfı ve güven puanı da veri seti içerisinde girdi olarak kullanılmıştır. 8 hisse için 8 veriseti oluşturulmuş olup, her veriseti 44 adet girdiye sahiptir. İlgili çalışmada deep reinforcement learning algoritmalarından DQN, DDQN ve DDDQN algoritmaları kullanılmıştır. Üç modelde de action satın alma, tutma ve satma olarak tanımlanmıştır. Eğitim veri setinde 1 Ocak 2021 ile 30 Haziran 2023 tarihleri arasındaki veriler kullanılmıştır. Model eğitildikten sonra 1 Temmuz 2023 ile 31 Mart 2024 tarihleri arasındaki verilerle test edilmiştir. Model her gün için bir aksiyon almakta, bu aksiyonlardan ödüller elde etmektedir. Öncelikli olarak üç model için de kayıp ve ödül grafikleri çizdirilmiştir. Bu grafikler incelendiğinde modellerin epokları geçtikçe kayıplarının azaldığı gözlemlenmektedir. Bu da modelin eğitiminin başarılı olduğunu göstermektedir. Ayrıca ödül grafiği incelendiğinde de ödüllerin eksiden artıya geçtiği gözlemlenmiştir. Bu da eğitimin başarılı olduğu bilgisini destekler niteliktedir. Ayrıca modeller karşılaştırıldığında DDQN algoritması DQN algoritmasına göre ödül açısından 6 hisse bazında daha iyi bir performans göstermiştir. Test sonuçlarını incelediğimizde AKBNK hissesinde hem ödül hem de kazanç açısından en iyi performansı DDQN modeli göstermiştir. Bu hisse için hem ödül hem de kazanç açısından en kötü perfomansı ise DQN modeli göstermiştir. BIMAS hissesinde ödül açısından test döneminde DDQN ve DDDQN modelleri benzer sonuçlar elde etmesine rağmen kazanç açısından DDDQN modeli daha iyi bir performans göstermiştir. Hem ödül hem de kazanç açısından en kötü performansı DQN modeli göstermiştir. EKGYO hissesi için oluşturulan modellerin test dönemindeki performanslarını incelediğimizde ise en iyi performansı DQN modeli gösterirken, en kötü performansı ise DDDQN modeli göstermiştir. EREGL hissesi için oluşturulan modellerin performanlarını incelediğimizde ise test döneminde ödül açısından en iyi performansı DDQN modeli gösterirken, kazanç açısından en iyi performansı DQN modeli göstermiştir. ISCTR hissesi için oluşturulan modellerin performanslarını incelediğimizde hem ödül hem de kazanç açısından en iyi performansı DQN algoritması göstermiştir. Bu hisse için ödül açısından DDQN modeli en kötü performansı gösterirken, DDDQN modeli de kazanç açısından en kötü performansı göstermiştir. SISE hissesi için DDQN modeli kazanç açısından en iyi performansı gösterirken, ödül açısından DQN modeli ve DDDQN modeli aynı sonucu elde etmiştir. THYAO hissesi için test döneminde hem ödül hem de kazanç açısından en iyi performansı DDDQN modeli göstermiştir. TUPRS hissesi içinde hem ödül hem de kazanç açısından en iyi performansı DDQN modeli göstermiştir. Bu sonuçlara göre kazanç ve ödül performanslarının hisse bazında farklılık gösterdiği gözlemlenmektedir. Özellikle, DDQN algoritması, seçilen sekiz hisse senedinden altısı için ödül elde etmede öne çıkmıştır. Sonuçlar, model performansının farklı hisseler arasında önemli ölçüde değiştiğini göstermektedir. DDQN ve DDDQN modelleri belirli durumlarda başarılı olurken, bazı hisselerde Buy-and-Hold stratejisinin daha etkili olduğu görülmüştür. Bu durum, model tabanlı stratejilerin belirli koşullarda Buy-and-Hold stratejisinden daha iyi performans gösterebileceğini, ancak etkinliklerinin büyük ölçüde ilgili hisse senedine bağlı olduğunu göstermektedir. Çalışma ayrıca KAP skorunun model performansı üzerindeki etkisini de incelemiştir. KAP skorunun dahil edilmesinin genellikle modellerin etkinliğini artırdığı gözlemlenmiştir. KAP duyarlılık skoru, çalışmanın önemli katkılarından biridir. Çalışmanın test dönemi sınırlı olduğundan, test süresini uzatarak veya piyasa trendlerinden ve mevsimsel etkilerden kaçınmak için backtesting yaparak daha kapsamlı bir değerlendirme yapılabilir. Model performansının ölçümü volatilite, maksimum geri çekilme, Sharpe oranı gibi farklı metriklerle değerlendirilebilir.

Özet (Çeviri)

The stock exchange is an environment where the buying and selling of financial products take place through intermediaries. In financial markets, the most traded financial instruments are equity shares. Investors aim to enhance their profitability by investing in this financial instrument but due to the high volatility of stock prices, they are a high-risk financial product. For this reason, researchers from different fields have conducted studies on predicting stock prices. Many methods have been developed in studies on this topic from past to present. In literature, statistical methods such as AutoRegressive (AR), AutoRegressive Integrated Moving Average (ARIMA), AutoRegressive Conditional Heteroskedasticity (ARCH), Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) have been commonly used in research. Researchers have noted that sudden price fluctuations or unexpected events can disrupt prediction performance when employing these methods. Recently, numerous prediction models have emerged in research, leveraging machine learning and deep learning algorithms. In complex scenarios, datasets containing abrupt price changes and unexpected events have sometimes yielded improved results with these algorithms. In existing literature, variables derived from fundamental and technical analyses have been commonly employed. Additionally, sentiment analysis-based variables have been utilized. The overarching goal has been to capture the impact of geopolitical, global, and economic indicators on stock prices within these models. In research on predicting stock prices in the context of Borsa Istanbul, there are deficiencies in the existing literature, especially regarding the use of methods such as reinforcement learning, technical indicators and sentimental analysis in the same study. This study aims to address this gap by investigating predictive indicators and sentimental analysis along with various reinforcement learning techniques. Our research involves predicting price changes for specific stocks traded in Borsa Istanbul using deep reinforcement learning techniques (DQN, DDQN, DDDQN). The performance evaluation of these techniques was conducted, and a buy-and-hold strategy was used as a benchmark for comparison. For this study, shares of 8 companies traded on Borsa Istanbul were selected. Daily information of these stocks between January 2021 and March 2024 and technical indicators calculated from this information are used in the data. Apart from this information, sentimental analysis of the material event disclosures reported by the companies to the Public Disclosure Platform was made with the distilroberta model. A separate dataset was prepared for each company stock. DQN, DDQN, DDDQN algorithms were used in the study. When the test period results are examined, profit and reward performances differ on a stock basis. Notably, the DDQN algorithm stood out in securing rewards for six of the eight selected stocks. The results indicate that model performance varies significantly across different stocks. While the DDQN and DDDQN models were successful in certain situations, the Buy-and-Hold strategy proved more effective for some stocks. This suggests that model-based strategies can outperform Buy-and-Hold under certain conditions, but their effectiveness is largely dependent on the specific stock in question. Additionally, the impact of the Kap score on model performance was evaluated. It was observed that the inclusion of the cap score as an input generally enhanced the performance of the DQN, DDQN, and DDDQN models. Obtained results have led to conclusions regarding future studies.

Benzer Tezler

  1. Tez No

    893798

    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

    Türkçe

    2024

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. SEVİNÇ GÜLER ÖZÇALIK

  2. Tez No

    593327

    Hisse senedi fiyat hareketlerinin tahmini için makine öğrenim teknikleri ile derinlik ve teknik analizi entegre eden hibrit ve güvenilir bir yöntem

    A hybrid and reliable method integrating depth and technical analysis with machine learning techniques for predicting stock prices

    SEÇİL TABUROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FUAT AKAL

  3. Tez No

    538638

    Derin öğrenme yöntemleri ile zaman serisi tahmini

    Time series classification with deep learning methods

    HAKAN GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  4. Tez No

    806061

    Derin öğrenme teknikleri kullanılarak hisse senedi fiyatlarının tahmin edilmesi: BIST'te bir uygulama

    Forecasting stock prices using deep learning techniques: An application in BIST

    ÖZGÜR SARACIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EkonometriManisa Celal Bayar Üniversitesi

    Ekonometri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYNUR İNCEKIRIK

  5. Tez No

    353688

    Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi

    Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)

    BİRCAN ERGÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEHRA ÇATALTEPE

Geri Dön