Hisse senedi piyasalarında yapay zeka modellerinin karşılaştırılması
A comparative analysis of artificial intelligence models in stock markets
- Tez No: 952602
- Danışmanlar: DOÇ. DR. UĞUR KARABEY
- Tez Türü: Yüksek Lisans
- Konular: Aktüerya Bilimleri, Actuarial Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Aktüerya Bilimleri Ana Bilim Dalı
- Bilim Dalı: Aktüerya Bilim Dalı
- Sayfa Sayısı: 109
Özet
İnsan beyninin yapısından esinlenerek ortaya çıkan ve günümüzde popüler hale gelen yapay zeka (AI), karmaşık yapıların modellenmesinde ve tahmin edilmesinde büyük önem taşımaktadır. Özellikle artan veri hacmiyle birlikte AI, tahmin analizlerinde karmaşık örüntüleri yakalaması ve hesaplama maliyetinin düşük olması nedeniyle avantaj sağlamaktadır. Yüksek volatiliteye, doğrusal olmayan ve dinamik bir yapıya sahip finansal piyasaların tahmin edilmesi AI alt dallarından makine öğrenimi (ML) ve derin öğrenme (DL) modelleri için önemli bir uygulama alanı sunmaktadır. Ayrıca finansal piyasaların tahmin edilmesi hem bireysel hem de kurumsal yatırımcılar için oldukça önemlidir. Finansal piyasalardan hisse senetleri bir şirketin ortaklık payını temsil ederken endeksler ise belirli bir sektörün genel performansını temsil etmektedir. Bu doğrultuda sıklıkla tercih edilen bir yatırım aracı olan hisse senetlerinin tahmin edilmesi, riskin yönetilmesi ve stratejilerin belirlenmesi açısından önemli bir rol oynamaktadır. Bu kapsamda, ML modellerinden Karar Ağaçları (DT), Rastgele Ormanlar (RF), K-En Yakın Komşular (k-NN) ve Destek Vektör Makineleri (SVM) ile DL modellerinden Yapay Sinir Ağları (ANN), Evrişimli Sinir Ağları (CNN), Tekrarlayan Sinir Ağları (RNN) ve Uzun-Kısa Süreli Bellek Ağları (LSTM) modelleri farklı sektörlere ait mikro düzeyde olan dört hisse senedinin ve farklı ülkelere ait teknoloji sektörünün genel hareketlerini gösteren makro düzeyde iki endeksin gelecek fiyat tahmini üzerinden sistematik bir şekilde çeşitli hata metrikleri ile karşılaştırılması amaçlanmıştır. Bu tez çalışmasında öncelikle, hisse senetleri ve endekslerin fiyat hareketlerinde etkili olan teknik göstergeler kapsamlı bir şekilde ele alınarak incelenmiştir. Ardından belirli ölçütlere göre trend, volatilite, momentum ve hacim göstergeleri olarak gruplandırılmış ve bu grupların modellerin tahmin performansına etkisi analiz edilmiştir. Daha sonra, hisse senetleri ve endekslere ait veri setlerinin yapısı incelenmiş ve modellerin tahmin performansını artırmak amacıyla veri temizleme ve ölçeklendirme veri ön işleme adımları uygulanmıştır. Bu kapsamda eksik veriler giderilmiş ve modellerin performansını eşit koşullarda değerlendirmek için tüm veri setleri ölçeklendirilmiştir. Ardından, hisse senetleri ve endekslerin zaman serisi doğasına uygun, ardışık veri yapısını koruyan, K-katlı zaman seri çapraz doğrulama yöntemi ile veri setleri eğitim ve test veri alt kümelerine ayrılmıştır. Bu yöntem ile geçmiş gözlemlere dayalı olarak eğitilmesi ve daha yakın zamanı içeren gözlemlerin test edilmesi sağlanmıştır. Modellerin öğrenme sürecini kontrol eden ve tahmin performansını önemli ölçüde etkileyen hiperparametrelerin belirlenmesi için Grid Arama, Rastgele Arama, Bayes Arama, BO-TPE Arama ve Genetik Algoritma kullanılarak belirlenen aralıklarda hiperparametre optimizasyonu gerçekleştirilmiştir. Kendine özgü arama stratejisine sahip bu beş arama yöntemi, tüm veri setlerine ve modellere uygulanarak işlem süresi ve tahmin performansları değerlendirilmiştir. Son olarak modeller yapılandırılarak test veri seti üzerinden karşılaştırılmıştır.
Özet (Çeviri)
Artificial intelligence (AI), which is inspired by the structure of the human brain and has become popular today, is of great importance in modeling and forecasting complex structures. Especially with the exponential growth of data, AI provides advantages in forecasting analysis due to its ability to capture complex patterns and its low computational cost. Forecasting financial markets, which are characterized by high volatility, non-linearity, and dynamic structures, offers an important application area for machine learning (ML) and deep learning (DL) models from AI subfields. Moreover, predicting financial markets is of vital importance for both individual and institutional investors. In financial markets, stocks represent company ownership, whereas indices reflect the overall performance of specific sectors. Therefore, forecasting stocks, which are frequently preferred investment instruments, plays a strategic role in risk management and investment decision-making. In this context, Decision Trees (DT), Random Forests (RF), K-Nearest Neighbors (k-NN), and Support Vector Machines (SVM) from ML models, and Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Long-Short Term Memory Networks (LSTM) models from DL are used to systematically compare four micro-level stocks from different sectors and two macro-level indices that show the general movements of the technology sector in different countries through future price forecasting with various error metrics. In this study, firstly, technical indicators that are effective in the price movements of stocks and indices are analyzed comprehensively. Then, they are grouped into trend, volatility, momentum, and volume indicators according to certain criteria, and their impact on the models' forecasting performance is analyzed. Next, the structure of the datasets of stocks and indices is examined, and the preprocessing steps of data cleaning and scaling are applied to improve the forecasting performance of the models. In this context, missing data are removed, and all datasets are scaled to evaluate the performance of the models on an equal footing. Then, the datasets are divided into training and testing subsets using the K-fold time series cross-validation method, which preserves the sequential data structure in accordance with the time series nature of stocks and indices. This method ensures that the models are trained based on past observations and tested on more recent observations. To determine the hyperparameters that control the learning process of the models and significantly affect the prediction performance, hyperparameter optimization is performed at specified intervals using Grid Search, Random Search, Bayesian Search, BO-TPE Search, and Genetic Algorithm. These five search methods, each with unique search strategies, are applied to all datasets and models to evaluate their processing time and prediction performance. Finally, the models are configured and compared on the test dataset.
Benzer Tezler
- Comparison of stock selection methods: An empirical research on the borsa İstanbul
Hisse senedi seçimi modellerini karşılaştırma: Borsa İstanbul hisse senetleri üzerinde ampirik bir uygulama
ALİ SEZİN ÖZDEMİR
Doktora
İngilizce
2023
Maliyeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Hisse senedi fiyatlarının yapay zeka teknikleri kullanılarak tahmin edilmesi: BIST'te bir uygulama
Forecasting share prices using artificial intelligence techniques: An application in BIST
AHMET ÇANKAL
- Hisse Senedi Fiyat Tahmininde İstatiksel ve Yapay Zekâ Modellerinin Etkisi: Gerçek Zamanlı Veri Üzerine Bir İnceleme
The Effect of Statistical and Artificial Intelligence Models in Stock Price Forecasting: A Study on Real-Time Data
HÜSEYİN KARAKAŞ
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBayburt ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇAĞATAY TEKE
- Predicting direction of stock price movement by using adaptive ensemble learning method
Hisse senedi fiyatı hareket yönünün adaptif topluluk öğrenmesi metodu ile tahmin edilmesi
ALİ ÖZKAN PEKMEZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN