Forecasting stock prices using deep learning models with technical indicators
Teknik göstergelerle derin öğrenme modelleri kullanarak hisse senedi fiyatı tahmini
- Tez No: 898498
- Danışmanlar: PROF. DR. MUSTAFA GÖÇKEN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Bilim Dalı
- Sayfa Sayısı: 133
Özet
Hisse senedi fiyatlarının doğru tahmini, yatırımcıların ne zaman ve nereye yatırım yapacaklarına dair kararlarını destekler. Ancak, hisse senedi piyasasının dinamik, doğrusal olmayan, karmaşık ve kaotik doğası, fiyat tahminini zorlaştırır. Piyasa hareketleri, siyasi olaylar, firma politikaları, ekonomik koşullar, emtia fiyatları ve banka kurları gibi birçok makroekonomik faktörden etkilenir. Ayrıca gelişen teknoloji ve iletişim sistemleri, bu olayların hızla işlenmesine olanak tanıyarak hisse senedi fiyatlarının hızlı dalgalanmasına neden olur. Dolayısıyla bankalar, finans kurumları ve büyük yatırımcılar, hızlı alım satım yapmak zorunda kalır ve piyasanın karmaşıklığı kesin tahmin yapmayı daha da zorlaştırır. Hisse senedi fiyatlarının doğru tahmini için yeni ve etkili yöntemlerin geliştirilmesi gerekmektedir. Bu çalışmada, Yahoo Finance gibi internet sitelerinden elde edilen veriler teknik göstergeler kullanılarak hisse senedi fiyatlarının tahmin edilmesi amaçlanmıştır. Ham verilerdeki gürültüyü azaltmak, anlamlı sonuçlar elde etmek ve tahmin doğruluğunu artırmak amacıyla teknik indikatörler için korelasyon katsayısı yöntemi kullanılmıştır. Yapay Sinir Ağları (YSA) modelleri, finansal zaman serisi verilerinin analizinde büyük bir etkinlik sağlamaktadır. YSA ile yapılacak tahminler için en uygun parametreler seçilmiştir. Veri ön işleme sürecinden sonra, Tek Katmanlı Uzun Kısa Süreli Hafıza (LSTM), 3 Katmanlı LSTM, 3 Katmanlı Çift Yönlü Uzun Kısa Süreli Hafıza (BiLSTM) ve hibrit Evrişimli Sinir Ağı- Uzun Kısa Süreli Hafıza (CNN-LSTM); yöntemleri uygulanmıştır. Bu model ile, gerçeğe yakın fiyat tahminlerinin bulunmasının yanısıra, teknik indikatörler aracılığıyla hisse senedi fiyatı tahminini etkileyen özellikleri azaltmak amaçlanmıştır. Sonuçlar, derin öğrenme (DL) teknikleri arasında Tek Katmanlı LSTM yönteminin diğer yöntemlere göre daha gerçekçi tahminler sunduğunu ortaya koymuştur.
Özet (Çeviri)
Accurate stock price prediction is crucial for supporting investors' decisions regarding the timing and allocation of investments. However, the dynamic, non-linear, complex, and chaotic nature of the stock market makes price prediction a challenging task. Market movements are influenced by various macroeconomic factors, such as political events, corporate policies, economic conditions, commodity prices, and bank rates. Furthermore, advancements in technology and communication systems enable these events to be processed rapidly, leading to swift fluctuations in stock prices. Consequently, banks, financial institutions, and large investors are compelled to make quick buy and sell decisions, further complicating precise predictions. Therefore, there is a pressing need for the development of new and effective methods for accurate stock price predictions. This study aims to predict stock prices using technical indicators obtained from sources like Yahoo Finance. To reduce the noise in raw data, obtain meaningful results and increase the estimation accuracy, correlation coefficient method was used for technical indicators. Artificial Neural Networks (ANN) models provide great efficiency in the analysis of financial time series data. The most appropriate parameters were selected for the estimations to be made with ANN. After the data preprocessing process, Single Layer Long Short Term Memory (LSTM), 3 Layer LSTM, 3 Layer Bidirectional Long Short Term Memory (BiLSTM) and Hybrid Convolutional Neural Network-Long Short Term Memory (CNN-LSTM); methods were applied. With this model, in addition to finding realistic price estimations, it was aimed to reduce the features affecting stock price estimation through technical indicators. The results showed that the Single Layer LSTM method provides more realistic estimations compared to other methods among deep learning (DL) techniques.
Benzer Tezler
- Stock market prediction using machine learning models
Makine öğrenmesi modellerini kullanarak hisse senedi öngörüsü
ATAKAN SİTE
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZERRİN IŞIK
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Uzun kısa süreli bellek ile altın fiyatı tahmini
Gold price forecasting using long short-term memory
SİNA BİRECİK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY ÖKE GÜNEL
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Deep learning based stock market prediction using technical indicators
Teknik göstergeleri kullanarak derin öğrenme ile hisse senedi piyasası tahmini gerçekleştirme
HALİL RAŞO
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ