Algoritmik ticarette kantitatif yatırım stratejileri ve makine öğrenimi kullanarak finansal karar alma yeteneğinin güçlendirilmesi
Empowering financial decision-making through leveraging uantitative investment strategies and machine learning in algorithmic trading
- Tez No: 919645
- Danışmanlar: PROF. DR. İMAN ASKERBEYLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Makine öğrenimi tekniklerinin finansal piyasalara entegrasyonu, geleneksel ticaret ve risk yönetimini dönüştürmüştür. Fiyat Eylem Stratejisi, Temel Analiz Stratejisi ve Yüksek Frekans Stratejisi gibi çeşitli algoritmik ticaret stratejilerinin mevcut olmasına rağmen, bilinçli alım veya satım kararları için hisse senedi hareketlerini doğru bir şekilde tahmin etmek zor olmaya devam etmektedir. Bu tez, S&P500 hisse senedi hareketlerini tahmin etmek için Teknik Göstergeler Stratejisine odaklanarak bu tahmin sorununu ele almaktadır. Teknik Göstergeler Stratejisi, bir hisse senedinin fiyat ve hacim verilerine dayalı matematiksel hesaplamalar kullanarak ticarette alım ve satım kararları vermek için kullanılır. Yatırımcıların kalıpları ve gelecekteki potansiyel fiyat hareketlerini belirlemelerine yardımcı olur. Yahoo Finance API'den hisse senedi fiyat verilerini topladık ve Bollinger Bantları, MACD ve RSI gibi çeşitli teknik göstergelerle zenginleştirdik. Daha sonra hisse senetlerinin aylık getirilerini farklı zaman ufukları için özellik olarak hesapladık. Verileri Göreceli Güç Endeksi (RSI) ve diğer özelliklere göre etiketlemek için bir kendi kendini etiketleme yöntemi kullandık. Ardından test ve değerlendirme için spektral kümeleme modelimizi oluşturduk. Yeni kendi kendini etiketleme yaklaşımımız, %89'un üzerinde test doğruluğu, %87'nin üzerinde hassasiyet ve %86'nın üzerinde geri çağırma ile umut verici sonuçlar gösterdi. Bu araştırma, nicel stratejileri makine öğrenimi ile birleştirmenin veri odaklı finansal karar verme sürecini önemli ölçüde geliştirebileceğini göstermektedir.
Özet (Çeviri)
The integration of machine learning techniques in financial markets has transformed traditional trading and risk management. Despite the availability of various algorithmic trading strategies, such as Price Action Strategy, Fundamental Analysis Strategy, and High-Frequency Strategy, accurately predicting stock movements for informed buy or sell decisions remains challenging. This thesis addresses this prediction issue by focusing on the technical indicators strategy to predict S&P500 stock movements. Technical indicators strategy is used to make buy and sell decisions in trading by using mathematical calculations based on a stock's price and volume data. It helps traders identify patterns and potential future price movements. We collected stock price data from the Yahoo Finance API and enriched it with several technical indicators such as Bollinger Bands, MACD, and RSI. Then we calculated the monthly returns of the stocks for different time horizon as features. We used a self-labeling method to label the data based on the Relative Strength Index (RSI) and other features. Then we build our spectral clustering model for testing and evaluation. Our novel self-labeling approach showed promising results, with test accuracy over 89%, precision over 87%, and recall over 86%. This research demonstrates that combining quantitative strategies with machine learning can significantly enhance data-driven financial decision-making.
Benzer Tezler
- Robust optimization to avoid curve-fitting in algorithmic trading
Algoritmik ticarette eğri uydurmayı önlemek için sağlam optimizasyon
FARID HELALAT
Yüksek Lisans
İngilizce
2019
Maliyeİstanbul Aydın Üniversitesiİşletme (İngilizce) Ana Bilim Dalı
Assist. Prof. Dr. ÇİĞDEM ÖZARI
- Cryptocurrency trading based on heuristic guided approach with feature engineering
Öznitelik mühendisliği ile sezgisel kılavuzlu yaklaşıma dayalı kripto ticaret işlemleri
ÇAĞRI KARAHAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Finansal piyasalarda algoritmik ticaret için sürekli alım satım stratejisi önerisi
Continuous trading strategy proposal for algorithmictrading in financial markets
AHMET KOÇ
- Algorithmic trading strategies using dynamic mode decomposition: Applied to Turkish stock market
Dinamik mod ayrışımı kullanarak algoritmik ticaret stratejileri: Türk hisse senedi piyasasına uygulaması
MEHMET CAN SAVAŞ
Yüksek Lisans
İngilizce
2017
MaliyeOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
DOÇ. DR. YELİZ YOLCU OKUR
- Algoritmik ticaret ve Borsa İstanbul uygulaması
Algorithmic trading and a practice on Borsa Istanbul
RIDVAN HEKİM
Yüksek Lisans
Türkçe
2022
MaliyeMarmara ÜniversitesiSermaye Piyasası ve Borsa Ana Bilim Dalı
PROF. DR. SERVER DEMİRCİ