Borsa tahmininde derin öğrenme tabanlı yenilikçi modeller
Deep learning-based innovative models for stock market prediction
- Tez No: 906163
- Danışmanlar: PROF. DR. ERDAL KILIÇ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Borsa tahmini, finansal piyasalardaki karmaşık dinamiklerin ve değişkenliklerin anlaşılması açısından büyük bir öneme sahiptir. Gelişen teknolojiler, yatırımcılar, finansal analistler ve araştırmacılara geçmiş verilere dayalı tahminler yaparak daha bilinçli kararlar almaları için olanak sağlamaktadır. Ancak bu süreç, geleneksel yöntemlerin ötesine geçerek derin öğrenme gibi yenilikçi yaklaşımlar gerektirmektedir. Bu tezde, borsa tahminine yönelik mevcut yöntemler ve karşılaşılan zorluklar detaylı bir şekilde incelenmiştir. Bu zorluklar, finansal verilerdeki gürültü, veri dengesizliği, öznitelik seçimi, modelleme süreci ve tahmin modelinin finansal açıdan değerlendirilmesi gibi çeşitli sorunları içermekte ve her biri tahmin doğruluğunu etkileyen kritik unsurlar olarak öne çıkmaktadır. Gürültü, doğru analiz ve tahminleri zorlaştırarak modelin güvenilirliğini olumsuz yönde etkileyebilirken, veri dengesizliği, belirli sınıfların yetersiz temsil edilmesine yol açarak sonuçların yanıltıcı olmasına neden olmaktadır. Öznitelik seçimi, model performansında kritik olup yanlış öznitelikler, genelleme yeteneğini azaltabilir. Modelleme sürecinde ise uygun algoritmaların ve yapıların seçilmesi gerekmektedir. Bu zorlukları aşmak amacıyla, her bir zorluğa özgü yenilikçi yaklaşımlar ve çözümler geliştirilmiştir. Geliştirilen yöntemler arasında, iki seviyeli ayrıştırma ve entropi oranı tabanlı gürültü giderme yaklaşımları (2LE-CEEMDAN ve 2LE-ICEEMDAN); kural tabanlı etiketleme algoritması ve PLR tabanlı finansal değerlendirme yöntemleri bulunmaktadır. Bunun yanı sıra, literatürde mevcut olan Boruta ve XGBoost öznitelik seçim yaklaşımlarının tahmin modeli üzerindeki etkileri de incelenmiştir. Bu yenilikçi yöntemler kullanılarak borsa endeksi ve hisse senetlerinin bir gün sonraki kapanış fiyatı ile ticaret eylemini tahmin etmek amacıyla beş farklı tahmin modeli önerilmiştir. Bunlar, 2D-CNN tabanlı tahmin modeli, 2LE-CEEMDAN-LSTM-SVR, ICE2DE-MDL, ICE2DE-BO-DL ve XGBLSTM tahmin modelleridir. Önerilen modeller, borsa tahmininin karmaşık dinamiklerini ele alırken, literatürdeki güncel çalışmalara istatistiksel metrikler (MAE, MAPE, RMSE, R-kare) açısından belirgin bir üstünlük göstermektedir. Ayrıca, PLR tabanlı finansal değerlendirme yaklaşımı, tahmin sonuçlarının finansal açıdan daha anlamlı ve uygulanabilir hale gelmesine katkı sağlamaktadır. Bu bağlamda, tez kapsamında geliştirilen yenilikçi yaklaşımlar, model performansı üzerindeki olumlu etkilerini net bir şekilde ortaya koyarak, borsa tahmini alanında daha etkili ve güvenilir sonuçlar elde edilmesini sağlamaktadır.
Özet (Çeviri)
Stock market prediction plays a significant role in understanding the complex dynamics and fluctuations of financial markets. Advancing technologies enable investors, financial analysts, and researchers to make more informed decisions by generating predictions based on historical data. However, this process requires innovative approaches, such as deep learning, that go beyond traditional methods. In this thesis, existing methods for stock market prediction and the challenges encountered are examined in detail. These challenges encompass various issues such as noise in financial data, data imbalance, feature selection, the modeling process, and the financial evaluation of prediction models, each of which stands out as a critical factor affecting prediction accuracy. Specifically, noise in financial data can negatively impact the reliability of the model by complicating accurate analysis and predictions, while data imbalance can lead to underrepresentation of certain classes, resulting in misleading outcomes. Additionally, feature selection is critical to model performance, and incorrect features can reduce generalization ability. The modeling process also necessitates the selection of appropriate algorithms and structures. To address these challenges, innovative approaches and solutions specific to each difficulty have been developed. Among the developed methods are two-level decomposition and entropy ratio-based noise reduction approaches (2LE-CEEMDAN and 2LE-ICEEMDAN); a rule-based labeling algorithm and PLR-based financial evaluation methods. Additionally, the effects of existing Boruta and XGBoost feature selection approaches in the literature on the predictive model have also been examined. Using these innovative methods, five different prediction models have been proposed to forecast the next day's closing price and trading actions of stock indices and stocks. These models include the 2D-CNN-based prediction model, 2LE-CEEMDAN-LSTM-SVR, ICE2DE-MDL, ICE2DE-BO-DL, and XGBLSTM prediction models. The proposed models demonstrate a significant advantage over studies in the current literature in terms of statistical metrics (MAE, MAPE, RMSE, R-square) while addressing the complex dynamics of stock market prediction. Additionally, the PLR-based financial evaluation approach contributes to making the prediction results more meaningful and applicable from a financial perspective. In this context, the innovative approaches developed in this thesis clearly demonstrate their positive effects on model performance, reinforcing the significance of advancements in stock market prediction.
Benzer Tezler
- 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
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Deep transformer-based asset price and direction prediction
Derı̇n transformatör tabanlı varlık fı̇yatı ve yön tahmı̇nı̇
ABDUL HALUK BATUR GEZİCİ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Satış ve talep tahmini için derin transfer öğrenme metodolojisinin geliştirilmesi
Development of deep transfer learning methodology for sales and demand forecasting
BEGÜM EROL
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA
- Çatı üstü fotovoltaik santraller için yapay zeka tabanlı enerji üretim tahmini
Artficial intelligence – based energy generation estimating for rooftop photovoltaic plants
AGHASALIM GULIYEV
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK EFE