Enhancing financial market forecasting using deep learning and computer vision-based technical analysis
Derin öğrenme ve bilgisayarlı görü tabanlı teknik analiz kullanarak finansal piyasa tahminlerinin geliştirilmesi
- Tez No: 940728
- Danışmanlar: Assoc. Prof. Dr. HAKAN KUTUCU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 102
Özet
Yüzyıllar boyunca Japon mum (JC) formasyonları, finansal piyasaların temel psikolojisini aydınlattıkları düşüncesiyle yatırımcıların yoğun ilgisini çekmiştir. İlk kez 17. yüzyılda Japonya'daki pirinç tüccarları tarafından geliştirilen bu gösterim yöntemi, günümüz teknik analiz yaklaşımlarının temel direklerinden biri haline gelerek küresel piyasalarda sayısız yatırım stratejisine esin kaynağı olmuştur. Bu çalışma, söz konusu köklü geleneği ileriye taşıyarak, gelecek mum çubuklarının yönelimlerini tahmin edebilmek amacıyla evrişimli sinir ağlarını (CNN) kullanan yenilikçi bir çerçeve önermektedir. Araştırma kapsamında, tarihi formasyon tespitinin fiyat oynaklığını öngörmedeki önemini vurgulayarak, algoritmik alım-satım ve yapay zekâ odaklı finansal tahmin literatürüne kayda değer bir katkı sunulmaktadır. Yöntemsel olarak, yüksek doğruluklu bir veri kümesi oluşturmak amacıyla üç aşamalı titiz bir yaklaşım benimsenmiştir. İlk aşamada, kayan pencere yöntemi aracılığıyla ham fiyat verileri alt grafiklere ayrılmış ve böylece zamana yayılan dinamikler belirli aralıklar içinde yakalanmıştır. İkinci aşamada ise Ta-lib kütüphanesi kullanılarak, önceden tanımlanmış mum formasyonlarının her alt grafikte mevcut olup olmadığı doğrulanmış ve veri kümesine piyasa duyarlılığı ile muhtemel trend dönüşlerini yansıtan nitel göstergeler eklenmiştir. Son aşamada, her pencerenin yönsel eğilimi, hareketli ortalamalar ve momentum osilatörleri gibi teknik göstergelerin bütünsel bir şekilde değerlendirilmesiyle belirlenmiştir. Bu özenli veri işleme süreci, önemli görsel ve zamansal özellikleri otomatik olarak çıkaran bir CNN modelinin eğitimi için sağlam bir temel oluşturmuş ve neticede %99,3'e varan etkileyici bir tahmin doğruluğu elde edilmiştir. Modelin güvenilirliği ve genellenebilirliği, çoklu çapraz doğrulama yöntemiyle pekiştirilmiştir. Bu doğrulama sürecinde, veri kümesi birden fazla farklı alt kümeye ayrılmış ve eğitme ile test aşamaları farklı bölümler üzerinde tekrarlı olarak gerçekleştirilmiştir. Böylece, modelin aşırı uyum (overfitting) riskini en aza indirgeme ve öngörü performansını güçlendirme amacına hizmet eden sistematik bir yöntem devreye sokulmuştur. Farklı eğitim–test katmanlarında elde edilen sürekli yüksek doğruluk oranları, yaklaşımın gerçek piyasa koşullarına uyarlanabilirliğine dair güçlü kanıtlar sunmaktadır. Daha geniş bir açıdan bakıldığında, bu araştırma, yapay zekâ temelli tekniklerin geleneksel teknik analiz yöntemlerini nasıl güçlendirebileceğini ve hatta ileride yer yer geçersiz kılabileceğini göstermektedir. Mum çubuğu analizinin zamansız içgörüleri, CNN'nin hesaplama gücüyle harmanlanarak, yatırımcıların kritik dönüş noktalarını öngörebileceği ve gelişmekte olan trendlerden yararlanabileceği daha incelikli, veri odaklı stratejiler geliştirmelerine olanak tanımaktadır.
Özet (Çeviri)
Over the centuries, Japanese candlestick (JC) patterns have garnered considerable interest from market participants because of their capacity to illuminate the underlying psychology of financial markets. Originating in 17th-century Japan, where rice traders first developed this illustrative method of charting—candlestick patterns, it evolved into a cornerstone of contemporary technical analysis, shaping countless trading strategies across global markets. The present investigation advances this venerable tradition by proposing an innovative framework that leverages convolutional neural networks (CNNs) to forecast the directional movements of subsequent candlesticks. This comprehensive study underscores the critical role of historical pattern recognition in anticipating price fluctuations, substantively contributing to the literature on algorithmic trading and intelligent financial forecasting. Methodologically, this research employed a meticulous three-tiered approach to construct a high-fidelity dataset. First, the raw price data were parsed into subcharts using a sliding window technique, which enabled the capture of temporal dynamics within bounded intervals. Next, the Ta-lib library was harnessed to validate the presence of predefined candlestick patterns within each subchart, thereby infusing the dataset with qualitative indicators of market sentiment and potential trend reversals. Finally, each window's directional inclination was determined through an integrative process involving technical indicators such as moving averages that collectively furnished robust evidence regarding prospective price trajectories. These carefully curated data elements form a solid foundation for the subsequent model training phase, wherein a CNN is developed to automatically extract salient visual and temporal features, ultimately achieving an impressive predictive accuracy of up to 99.3 percent. Crucially, the reliability and generalizability of these findings were verified using a rigorous cross-validation scheme. In this validation protocol, the dataset is split into multiple distinct subsets, and iterative rounds of model training and testing are conducted on various combinations of these partitions. Through this systematic procedure, the capacity of the model to generalize was ascertained, thereby diminishing the risk of overfitting and solidifying the robustness of the observed predictive performance. The consistently high accuracy rates recorded across different training–testing folds testify to the adaptability of this approach in real-world trading environments. From a broader perspective, this study demonstrates how modern artificial intelligence techniques can augment, refine, and potentially supersede traditional technical analysis methods. By blending the timeless insights of candlestick charting with the computational power of CNNs, traders and analysts can derive more nuanced data-driven strategies designed to anticipate inflection points and capitalize on emerging trends.
Benzer Tezler
- Predicting stock market trends using regression and deeplearning
Regresyon ve derin öğrenme kullanarak borsa trendlerini tahminetmek
AMIN SHUAYEB YASIN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSAMETTIM OSMANOĞLU
- Deep wavelet neural network for spatio-temporal data fusion
Uzamsal-zamansal veri füzyonu içinderin dalgacık sinir ağları
AJLA KULAGLIC
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Three essays on volatility forecasting, option pricing, and value at risk forecasting using neural network models
Yapay sinir ağları modelleriyle volatilite tahmini, opsiyon fiyatlaması ve riske maruz değer tahmini üzerine üç makale
BURÇ ARSLAN KALELİ
Doktora
İngilizce
2024
EkonometriYeditepe ÜniversitesiFinansal İktisat Ana Bilim Dalı
PROF. DR. AHMET ÖZÇAM
- Finansal yatırım piyasalarında fiyat tahminleme: Kripto para piyasasında yapay sinir ağları uygulaması
Price prediction in financial investment markets: Application of artificial neural networks in cryptocurrency market
EREN ULUCAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
PROF. DR. AYBEN KOY
- Finansal ürünlerin vergilendirme ve yasal düzenlemeler açısından değerlendirilmesi
Başlık çevirisi yok
ATİLLA UYANIK