Geri Dön

Borsa tahmininde derin öğrenme tabanlı yenilikçi modeller

Deep learning-based innovative models for stock market prediction

PDF İndir

  1. Tez No: 906163
  2. Yazar: ZİNNET DUYGU AKŞEHİR
  3. Danışmanlar: PROF. DR. ERDAL KILIÇ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Hesaplamalı Bilimler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Tez No

    946795

    Borsa endeksi tahmininde derin öğrenme ve geleneksel yöntemlerin karşılaştırması: G7 ve E7 ülkelerinde bir uygulama

    Comparison of deep learning and traditional methods in stock index forecasting: An application in G7 and E7 countries

    LÜTFİYE SÖNMEZ

    Doktora

    Türkçe

    Türkçe

    2025

    İşletmeTokat Gaziosmanpaşa Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. MİHRİBAN COŞKUN ARSLAN

  2. Tez No

    957472

    Borsa analizi ve tahmini için derin öğrenme ağları

    Deep learning networks for stock market analysis and prediction

    MURAT ERGURUM

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ERHAN ÇENE

  3. Tez No

    895348

    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

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  4. Tez No

    739931

    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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

  5. Tez No

    858655

    Deep transformer-based asset price and direction prediction

    Derı̇n transformatör tabanlı varlık fı̇yatı ve yön tahmı̇nı̇

    ABDUL HALUK BATUR GEZİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE SEFER

Geri Dön