Gümüş fiyatlarının tahmininde derin öğrenme yaklaşımı: BILSTM
Deep learning approach for forecasting silver prices: BILSTM
- Tez No: 920567
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZER ÖZAYDIN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 59
Özet
Derin öğrenme günümüzde üzerine en çok çalışılan popüler konulardan birisidir. Derin öğrenme çok katmanlı Yapay Sinir Ağları yapısını kullanarak etiketli veriler üzerinden öğrenerek çalışan yapay zekanın bir alt kolu olduğu söylenebilir. Uzun Kısa Süreli Belleğe Sahip Çift Yönlü Sinir Ağları (BILSTM) ise derin öğrenmenin içerisinde yer alan metotlardandır ve son zamanlarda popüler olmuştur. BILSTM, Uzun Kısa Süreli Bellek 'in (LSTM) geliştirilmiş özel bir hali olduğu da söylenebilir. BILSTM'nin geçmiş ve gelecekteki bilgileri yakalamak için ileri ve geri iki ayrı gizli katmanı bulunmaktadır. Ardından bu iki katman final çıktısını oluşturmak için birleştirilir. Söz konusu final çıktısı öngörü veya tahminleri içermektedir. Bu çalışmada 01.11.2017-30.09.2024 tarihleri arasındaki gümüş fiyatının (gr/TL) günlük kapanış değerleri kullanılarak BILSTM modeli ile bir tahminleme algoritması kurulmuştur. Modele gümüş fiyatını etkilediği düşünülen 5 bağımsız değişken (dolar kuru ($/TL), tüfe, konut fiyatı endeksi, altın fiyatı (gr/TL), bitcoin fiyatı (TL)) dahil edilmiştir. BILSTM modelinin yanında çalışmada LSTM ve CNN-LSTM modelleri de kurulmuş ve her bir modelin başarısı birbirleri ile RMSE başarı metriği üzerinden karşılaştırılmıştır. Oluşturulan BILSTM modelinin RMSE değeri 0,8391, LSTM modelinin RMSE değeri 1,7781, CNN-LSTM modelinin RMSE değeri 1,4312 olarak bulunmuştur. Her bir modelin RMSE değerine bakıldığında BILSTM modelinin daha başarılı bir tahminleme yaptığı görülmüştür. CNN-LSTM modeli BILSTM modeline göre zayıf LSTM modeline göre başarılı tahminleme yapmıştır. LSTM modeli diğer iki modele göre zayıf tahminleme yapmıştır.
Özet (Çeviri)
Deep learning is one of the most studied and popular topics today. With the advancement of technology and the facilitation of access to labeled data, it has become more focused on it. Deep learning is a sub-branch of the multi-layered Artificial Neural Networks structure of the artificial intelligence that works by learning through labeled data. Bidirectional Long Short-Term Memory (BILSTM) is one of the methods included in deep learning and has become popular recently. It can also be said that BILSTM is a modified version of the Long Short-Term Memory (LSTM). It has two separate hidden layers that is backward and forward to capture past and future information. These two layers are then combined to create the final output. The final output in question includes forecast or estimation results. In this study, a forecasting algorithm was established with the BILSTM model using daily data of silver (gr/TL) between 01.11.2017-30.09.2024. Five independent variables (dollar price ($/TL), consumer price index (%), housing price index, gold price (gr/TL), bitcoin price (TL)) that are thought to affect the price of silver are included in the model. In addition to the BILSTM model, LSTM and CNN-LSTM models were also established in the study and the success of each model was compared with each other through the RMSE success metric. The RMSE value of the BILSTM model was 0.8391, the RMSE value of the LSTM model was 1.7781 and the RMSE value of the CNN-LSTM model was 1.4312. Considering the RMSE value of each model, it was observed that the BILSTM model made a more successful prediction. CNN-LSTM model predicted poorly compared to BILSTM model and successfully compared to LSTM model. The LSTM model predicted poorly compared to the other two models.
Benzer Tezler
- Kripto varlık fiyatları üzerinde seçili hisse senedi piyasa endeksleri ile emtiaların etkisi: Makine öğrenmesine dayalı ampirik bir çalışma
The effect of selected stock market indices and commodities on crypto asset prices: An empirical study based on machine learning
OSMAN CAN TÜRK
Doktora
Türkçe
2025
İşletmeBandırma Onyedi Eylül Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. METİN KILIÇ
DR. ÖĞR. ÜYESİ İNCİ MERVE ALTAN
- Altın fiyatını belirleyen talep yönlü faktörlerin analizi: Türkiye için bir uygulama
Analysis of demand side factors determining gold price: An application for Turkey
BÜŞRA ERARSLAN
Yüksek Lisans
Türkçe
2017
EkonomiSakarya Üniversitesiİktisat Ana Bilim Dalı
YRD. DOÇ. DR. ŞÜKRÜ CİCİOĞLU
- Stock market prediction by combining stock price information and sentiment analysis
Hisse fiyat bilgisi ve duygu analizi kombinasyonu ile pay piyasasında fiyat tahmini
ADNAN GÜMÜŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR
- Predicting gold and silver spot prices in Turkey
Türkiye'deki altın ve gümüş spot fiyatlarının tahmini
DUYGU DEVECİ
Yüksek Lisans
İngilizce
2013
EkonometriOrta Doğu Teknik Üniversitesiİktisat Ana Bilim Dalı
DR. DİLEM YILDIRIM
- Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama
Forecasting gold prices by using ann and an application
RIDVAN YÜKSEL