Temel ve teknik analize dayalı makine öğrenmesi ile hisse senedi fiyat tahmini: Rastgele orman sınıflandırması yaklaşımı
Stock price prediction with machine learning based on fundamental and technical analysis: Random forest classification approach
- Tez No: 899348
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Son yıllarda ülkemizde borsaya olan ilgi artmaktadır. Bu durum, bilimsel temelden yoksun yatırım tavsiyelerinin ve bilgi kirliliğinin artmasına neden olmuştur. Hisse senedi fiyat tahmini gibi karmaşık problemler için bilimsel yaklaşımlar önem kazanmıştır ve bu yaklaşımlar arasında makine öğrenmesi yöntemleri geniş yer tutmaktadır. Geliştirilen modellerde genellikle ekonomi, döviz kurları, haber verileri gibi faktörler ile temel analiz veya teknik analiz göstergelerinden bir grup kullanılmaktadır. Ancak, bu iki gösterge türünün bir arada kullanıldığı çalışmalar nadirdir. Teknik analiz göstergeleri yatırımcının güncel tutumunu, temel analiz göstergeleri ise şirketin finansal durumunu yansıtarak yatırım kararlarını destekler. Bu çalışmada, teknik analiz göstergeleri ve temel analiz verilerinin bileşkesi bir veri seti olarak kullanılmıştır. BIST30'da yer alan 23 şirketin 45 dönemlik bilanço verileri ve geçmiş hisse senedi fiyatları analiz edilmiştir. Makine öğrenmesi yöntemlerinden Rastgele Orman Algoritması kullanılarak, şirketlerinin hisse senedi günlük kapanış fiyatları için en uygun yöntemler o gün için önerilmiştir. Hisselerin günlük fiyatları ve bunlara dayalı olarak hesaplanan trend, salınım ve oynaklık göstergeleri; dönen varlıkların kısa vadeli yabancı kaynaklara oranı, nakit ve nakit benzerlerinin kısa vadeli yabancı kaynaklara oranı, net satışların özsermayeye oranı, net karın özsermayeye oranı gibi temel analiz verileri ile birleştirilmiştir. Öznitelik seçimi ve Rastgele Orman (RO) sınıflandırıcı parametrelerinin optimizasyonu için sinir ağı entegrasyonu incelenmiştir. Özellik seçimi için hiyerarşik kümeleme, Varyans Şişirme Faktörü (VIF) azaltma ve seçici özellik eleme yöntemleri kullanılmıştır. Rastgele Orman Sınıflandırıcısı ile yapılan tahminlerde, model performansını artırmak için üç katmanlı bir özellik eleme çerçevesi uygulanmıştır. Genetik Algoritma (GA) çerçevesinde, sinir ağları kullanılarak farklı öznitelik seçim stratejilerinin ve RO sınıflandırıcı parametrelerinin etkinliği tahmin edilmiştir. En düşük ortalama karesel hatayı (MSE) sergileyen model, en uygun model olarak belirlenmiştir. Hisse senetleri arasındaki veriler birleştirilerek, tahmin edicilerin performansı analiz edilmiştir. Bu çalışma, makine öğrenmesi kullanarak hisse senedi kapanış fiyatı tahminleme alanında literatüre katkı sağlamayı ve yatırımcıların yatırım kararları konusunda yardımcı bir kaynak oluşturmayı amaçlamaktadır.
Özet (Çeviri)
In recent years, interest in the stock market has been increasing in our country. This has led to a rise in investment advice that lacks scientific basis and an increase in information pollution for investors. Scientific approaches have become important for complex problems such as stock price prediction, and among these approaches, machine learning methods hold a significant place. Developed models generally use factors such as economy, exchange rates, news data, and a group of indicators from fundamental or technical analysis. However, studies that use both types of indicators together are rare. Technical analysis indicators reflect the current attitude of investors in the stock market, while fundamental analysis indicators provide information about the financial status of the company and support investment decisions. In this study, a dataset combining technical analysis indicators and fundamental analysis data is used. The balance sheet data of 23 companies in the BIST30 index over 45 periods and their past stock prices were analyzed. Using the Random Forest Algorithm, one of the machine learning methods, the most suitable methods for predicting the daily closing prices of these companies' stocks were suggested. The daily prices of the stocks and the trend, oscillation, and volatility indicators calculated based on these prices were combined with fundamental analysis data such as the ratio of current assets to short-term liabilities, the ratio of cash and cash equivalents to short-term liabilities, the ratio of net sales to equity, and the ratio of net profit to equity. The integration of neural networks for feature selection and optimization of Random Forest (RO) classifier parameters was examined. Hierarchical clustering, Variance Inflation Factor (VIF) reduction, and selective feature elimination methods were used for feature selection. In the predictions made with the Random Forest Classifier, a three-layer feature elimination framework was applied to improve model performance. Within the framework of Genetic Algorithm (GA), neural networks were used to estimate the effectiveness of different feature selection strategies and RO classifier parameters. The model with the lowest mean squared error (MSE) was determined as the most suitable model. The performance of the predictors was analyzed by combining the data among the stocks. This study aims to contribute to the literature in the field of stock closing price prediction using machine learning and to provide a helpful resource for investors in making investment decisions.
Benzer Tezler
- Long term competitive advantage effect on company value with fuzzy logic and machine learning applications
Bulanık mantık ve makine öğrenmesi uygulamaları ile uzun vadeli rekabet avantajının şirket değeri üzerine etkisi
ZEKERİYA BİLDİK
Doktora
İngilizce
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU
- Dynamic market modeling with heterogeneous agents: Applications in diverse markets
Heterojen ajanlarla dinamik finansal piyasa modellemesi: Çeşitli piyasalarda uygulamalar
HİDAYET BEYHAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. KEMAL BURÇ ÜLENGİN
- Sentiment analysis model proposal with deep learning techniques on big data: Portfolio selection with the help of industry indicators
Büyük veri üzerinde derin öğrenme teknikleri ile duygu analizi model önerisi: Sektör göstergeleri yardımıyla portföy seçimi
MAHMUT SAMİ SİVRİ
Doktora
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Yapay zeka modelleri ve Borsa İstanbul endeks verileriyle uygulama
Artificial intelligence models and application to Borsa Istanbul index data
BAHARE BAGHDADI
Yüksek Lisans
Türkçe
2023
BankacılıkMarmara ÜniversitesiSermaye Piyasası ve Borsa Ana Bilim Dalı
PROF. DR. ZEYNEP DİNA ÇAKMUR YILDIRTAN
- Portfolio optimization with wavelet analysis and neural fuzzy networks
Dalgacık analizi ve bulanık sinir ağları modeli ile portföy optimizasyonu
ÖMER ZEKİ GÜRSOY