Daily close price estimation for Exxonmobil and British Petroleum Corporations using machine learning and deep learning models: A pilot study
Exxonmobil ve British Petroleum Corporations için makine öğrenmesi ve derin öğrenme modelleri kullanarak günlük kapanış fiyatı tahmini: Bir pilot çalışma
- Tez No: 925926
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜNET EROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: 160
Özet
Bu çalışmada ExxonMobil ve British Petroleum şirketlerinin günlük kapanış fiyatlarının tahmini, çeşitli makine öğrenimi (ML) ve derin öğrenme (DL) modelleri kullanılarak incelenmiştir. ExxonMobil ve British Petroleum küresel enerji sektörünün büyük oyuncuları olduğundan, kesin kapanış fiyatı tahmini finansörler, analistler ve politika yapıcılar için önemlidir. Araştırma, çok çeşitli modeller kullanarak ve tahminin doğruluğunu ve güvenilirliğini artırmak için hiperparametre ayarlama ve çapraz doğrulama gibi son teknoloji yöntemleri uygulayarak, daha önceki araştırmaların bıraktığı boşlukları dolduruyor. Bu çalışmada hem Uzun Kısa Süreli Bellek (LSTM) ve Tekrarlayan Sinir Ağları (RNN) gibi karmaşık derin öğrenme modelleri hem de Çoklu Doğrusal Regresyon, Ridge Regresyon, Karar Ağaçları ve Rastgele Orman gibi daha geleneksel teknikler kullanılmıştır. Yahoo Finance'ten yfinance kütüphanesi aracılığıyla elde edilen veri kümesi, 1980'den 2024'e kadar günlük (Kapanış, Açılış, Yüksek, Düşük, Hacim ve Adj Kapanış) fiyatları içermektedir. Modelin performansını iyileştirmek ve veri setini geliştirmek için veri ön işleme, özellik çıkarma, görselleştirme gibi bir dizi teknik kullanılmıştır. Çalışmada, her modelin doğruluğunu değerlendirmek için Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (MSE), Ortalama Karesel Hatanın Kökü (RMSE) ve R-kare (R²) gibi birden fazla performans ölçütü kullanılmıştır. Bulgular, kullanılan diğer modellerle karşılaştırıldığında, makine öğrenimi modellerinin (özellikle Ridge Regresyonu) ve derin öğrenme modellerinin (özellikle LSTM) hisse senedi fiyat verilerindeki karmaşık zamansal bağımlılıkları yakalamada daha iyi performans gösterdiğini ortaya koymaktadır. Bu çalışma, gelecekteki araştırmalar için iyi bir metodolojik çerçeve sağlamanın yanı sıra, enerji sektöründe günlük kapanış fiyatı tahmin modellerinin uygulanmasına ışık tutarak ve paydaşların güvenilir günlük kapanış fiyatı tahminlerine dayalı olarak iyi bilgilendirilmiş günlük yatırım kararları almalarına yardımcı olarak alanı ilerletmektedir.
Özet (Çeviri)
The ExxonMobil and British Petroleum corporations daily close prices forecasting is examined in this study using a variety of machine learning (ML) and deep learning (DL) models. Since ExxonMobil and British Petroleum are big players in the global energy sector, precise close price anticipation is important for financiers, analysts, and policymakers. By utilizing a wide variety of models and implementing cutting-edge methods like hyperparameter tuning and cross-validation to enhance the accuracy and reliability of prediction, the research fills in the gaps left by earlier investigations. Both complex deep learning models like Long Short-Term Memory (LSTM) and Recurrent Neural Networks (RNN) as well as more conventional techniques like Multiple Linear Regression, Ridge Regression, Decision Trees, and Random Forest were used in this study. The dataset, which was acquired from Yahoo Finance via the yfinance library, includes daily (Close, Open, High, Low, Volume and Adj Close) prices from 1980 to 2024. To refine the performance of the model and enhance the dataset, a number of techniques including data preprocessing, feature extraction, visualization was used. The study uses multiple performance metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and R-squared (R²) to assess each model's accuracy. The findings show that when compared to other models that were used, machine learning models—particularly Ridge Regression—and deep learning models—particularly LSTM—perform better at capturing complex temporal dependencies within the stock price data. In addition to providing a good methodological framework for future research, this study advances the field by shedding light on the application of daily close price forecasting models in the energy sector and assisting stakeholders in making well-informed daily investment decisions based on reliable daily close price predictions.
Benzer Tezler
- Hidroelektrik enerji santrallerinde üretilen enerjinin kısa ve uzun süreli olarak tahmin edilmesi ve taşkın riskinin araştırılması: Doğançay Hidroelektrik Enerji Santralleri örneği
Estimation of energy produced in hydroelectri̇c power plants as short and long term and investigation of flood risk: case study of Dogancay Hydroelectric Power Plants
AHMET IYAD CEYHUNLU
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiSakarya Uygulamalı Bilimler Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKMEN ÇERİBAŞI
- Kamu birim fiyatlarıyla yapılan yapı yaklaşık maliyetlerindeki son 5 yıllık değişimin farklı piyasa parametrelerine göre karşılaştırılması
Comparison of the last 5-year change in building cost estimation made with public unit prices by different market parameters
METİN SAĞIR
Yüksek Lisans
Türkçe
2019
MimarlıkGazi ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. TEKİN GÜLTOP
PROF. DR. MEHMET EMİN TUNA
- Yapay sinir ağları ile Türkiye elektrik piyasası fiyat tahmini
Electricity price forecasting in the Turkish market using artificial neural networks
AYLİN BÜYÜKMIHCI
- Davud Paşa Külliyesi yapıları ile yakın çevresinin tarihsel gelişimi ve koruma sorunları
Historical development and conservation issues of Davud Pasha complex buildings and their vicinity
ZEYNEP CERAN KEÇİCİ
