Geri Dön

XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms

Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu

PDF İndir

  1. Tez No: 955405
  2. Yazar: MELİS KÜÇÜK
  3. Danışmanlar: PROF. DR. FERHAN ÇEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 103

Özet

Altın, yalnızca kimyasal ve fiziksel özellikleri nedeniyle değil, aynı zamanda güvenli bir liman ve yatırım aracı olarak kalıcı statüsü nedeniyle de küresel ekonomide sürekli olarak önemli bir rol oynamıştır. Yüzyıllardır altın, özellikle finansal belirsizlik, jeopolitik çatışma veya ciddi ekonomik kriz zamanlarında enflasyona ve döviz dalgalanmalarına karşı güvenilir bir koruma aracı olarak görülmüştür. Altına olan sürekli talep, likiditesinde, yatırımcılar, hükümetler ve merkez bankaları tarafından bir koruma aracı olarak kullanılmasında yansıtılmaktadır. Özellikle XAU/USD ons fiyatı, opsiyonlar, vadeli işlemler, takaslar ve vadeli işlemler gibi finansal araçların fiyatlandırılması için önemli bir kıstas görevi görür ve daha geniş piyasa dinamiklerine ilişkin içgörüler için yakından izlenir. Bu, XAU/USD ons fiyatını tahmin etmenin önemini artırmıştır. Ancak altın piyasasının karmaşıklığı, döviz kurları, hisse senedi endeksleri, petrol fiyatları ve faiz oranları gibi çok sayıda makroekonomik ve finansal göstergeye olan duyarlılığı artırmaktadır. Bu faktörler arasındaki karmaşık, doğrusal olmayan ve genellikle durağan olmayan ilişkiler, doğru altın fiyatı tahminini zorlu bir süreç haline getirmektedir. Makine öğrenimi ve derin öğrenme modelleri karmaşık ilişkileri yakalamak için gelişmiş esneklik ve kapasite sunarken, bu yöntemlerin etkinliği büyük ölçüde optimum hiperparametre seçimine bağlıdır. Geleneksel olarak, hiperparametre seçimi ızgara araması, rastgele arama veya manuel deneme-yanılma yaklaşımlarına dayanmaktadır. Bu, sistematik ve daha kapsamlı hiperparametre optimizasyonunun altın fiyat tahmini bağlamında yeterince araştırılmamış olması nedeniyle önemli bir araştırma boşluğu yaratmaktadır. Bu tez çalışması, uzun kısa vadeli bellek (LSTM), tekrarlayan sinir ağları (RNN), evrişimli sinir ağı (CNN), kapılı tekrarlayan birimler (GRU), zamansal evrişimli ağlar (TCN) gibi derin öğrenme modellerinin ve Bayesian, Gri Kurt ve Genetik hiperparametre optimizasyon algoritmalarının XAU/USD'nin günlük kapanış fiyatının tahmin performansı üzerindeki etkisini sistematik olarak araştırarak bu boşluğu gidermeyi amaçlamaktadır. Birincil hedefler dört yönlüdür: (1) XAU/USD ons fiyat tahmini için en uygun derin öğrenme-hiperparametre optimizasyon modelini belirlemek; (2) zaman serisi tahmini için en bilgilendirici pencere boyutunu belirlemek; (3) hiperparametre optimizasyon yöntemlerinin tahmin performansı üzerindeki etkisini ve etkinliğini değerlendirmek; ve (4) bu bağlamda her derin öğrenme modellerinin karşılaştırmalı güçlü ve zayıf yönlerini açıklamak. Çalışmada 01.01.2018'den 10.01.2025'e kadar günlük XAU/USD ons fiyatı ve XAG/USD futures işlem fiyatı, BTC/USDT, GBP/USD, USD/JPY, S&P500, Brent petrolü, WTI petrolü, DJIA, VIX ve 10 yıllık ABD Hazine tahvil getirileri kullanıldı. Bunlar, XAU/USD için tahmin çalışmalarında literatürde sıklıkla özellik olarak kullanılmaktadır. Çalışmada eğiklik, basıklık ve Jarque-Bera normallik testleri gibi istatistiksel analizler kullanıldı ve bu analizler veri setindeki çoğu değişkende normal olmayan, asimetrik ve karmaşık dağılımsal özellikler gösterdi. Bu durum, doğrusal modellerin yetersizliğini daha da vurgular ve derin öğrenmeye dayalı bir yaklaşım için motivasyonu güçlendirir. Korelasyon analizi ayrıca XAG/USD, S&P500, DJIA, BTC/USDT ve USD/JPY'nin XAU/USD ile en güçlü ilişkileri gösterdiğini, GBP/USD'nin ise negatif bir korelasyon gösterdiğini ortaya koymaktadır. Çalışma iki aşamadan oluşmaktadır. İlk aşamada, derin öğrenme modelleri 8, 16, 32 ve 64 pencere boyutlarına sahip varsayılan hiperparametreler kullanılarak eğitilirken, ikinci aşamada hiperparametre optimizasyonu yukarıda belirtilen algoritmalar aracılığıyla uygulandı ve hiperparametre optimizasyonu gizli boyut, öğrenme oranı, filtreler ve çekirdek boyutu gibi model parametrelerine uygulandı. Çalışmada, veri setindeki boş veriler ileri doldurma yöntemi ile dolduruldu. Veri seti MinMaxScaler ile normalleştirildi. Bu adımdan sonra, veri seti %90 eğitim ve %10 test setlerine bölündü ve eğitim setinin son %10'u zaman tabanlı bölme kullanılarak doğrulama seti olarak ayrıldı. Daha sonra, kayan pencereli 8, 16, 32 ve 64 pencere boyutları için diziler oluşturuldu. Modeller, NumPy, Pandas, Matplotlib, Scikit-learn ve Tensorflow/Keras gibi kütüphanelerle Python 3.8 kullanılarak uygulandı ve Windows 10 işletim sistemi, 16 GB RAM ve Intel Core i7 işlemci ile donatılmış bir sistemde çalıştırıldı. Model sonuçları ters normalleştirildi ve faz 1 ve faz 2'deki modellerin performansı, bu verilerle test kümesi için ortalama mutlak yüzde hatası (MAPE), ortalama mutlak hata (MAE), kök ortalama kare hatası (RMSE) ve belirleme katsayısı (R2) hesaplanarak değerlendirildi. Modellerin güvenilir ve genelleştirilebilir sonuçlar verip vermediği ve aşırı uyum olup olmadığı 5 katlı çapraz doğrulama ile incelendi. Ampirik sonuçlar birkaç önemli içgörüyü ortaya koymaktadır. Hiperparametre optimizasyonunu içeren modeller, tüm pencere boyutlarında ve derin öğrenme modellerinde varsayılan parametreleri kullananlardan tutarlı bir şekilde daha iyi performans göstermiştir. Bayesian optimizasyonu, tahmin doğruluğu ile kaynak kullanımı arasında en iyi dengeyi sağlayarak en etkili ve hesaplama açısından verimli yöntem olarak ortaya çıkmaktadır. Buna karşılık, Genetik algoritma genellikle en düşük performansı göstermektedir, özellikle pencere boyutu arttıkça, bu uygulama için arama verimliliğinde sınırlamalar olduğunu göstermektedir. Pencere boyutu, model performansında kritik bir rol oynamıştır ve en doğru tahminler genellikle 8 ve 16 pencere boyutlarında elde edilmiştir. Bu bulgu, her iki fazda ve çoğu derin öğrenme modeli-hiperparametre optimizasyon algoritması kombinasyonunda tutarlıdır. RNN ve CNN gibi modeller pencere boyutuna karşı daha yüksek hassasiyet gösterirken, LSTM, GRU ve TCN değişen pencere uzunluklarında daha sağlam bir performans göstermektedir. Derin öğrenme modelleri arasında, özellikle GRU-Bayesian optimizasyonu, hem test verileriyle performans karşılaştırmasında hem de 5 katlı çapraz doğrulama sonuçlarında diğer modellerden daha iyi performans göstermiştir. Temel bir yöntem olmasına rağmen, RNN kaybolan eğim sorunu tarafından engellenir ve uzun vadeli bağımlılıkları yakalamakla sınırlıdır ve aşırı uyuma daha yatkın olduğu bulunmuştur. GRU, karmaşıklık, eğitim hızı ve tahmin gücü arasında olumlu bir takas sunmuştur. LSTM'nin pencere değişikliklerine orta derecede duyarlı olduğu söylenebilir. CNN için yerel kalıpları kaldırma gücüne rağmen, zamansal bağımlılıkları modellemede daha az etkili olduğu ve pencere boyutuna daha duyarlı olduğu söylenebilir. TCN, genişletilmiş evrişimlerle uzun vadeli bağımlılıkları modellemede güçlü yönler göstermiştir, ancak pencere boyutuna yüksek duyarlılığa sahip olduğu görülmüştür. Aşama 1 ve Aşama 2'de kullanılan modellerin güvenilir ve genelleştirilebilir sonuçlar verdiğini göstermek için 5 katlı çapraz doğrulama kullanılmıştır. Bu nedenle, ampirik bulguların geçerliliğini göstermek amaçlanmıştır. Bulgular uygulayıcılar ve politika yapıcılar için önemli sonuçlara sahiptir. Derin öğrenmeye dayalı altın fiyat tahmininde Bayesian optimizasyonunun üstünlüğü, yüksek doğrulukla verimli tahmin sistemleri geliştirmek isteyen uygulayıcılar için net bir yol önermektedir. Optimum pencere boyutlarının belirlenmesi ve model mimarisinin karşılaştırmalı analizi, benzer finansal tahmin çalışmalarında model seçimi ve yapılandırması için uygulanabilir rehberlik sağlar. Bu çalışma kapsamlı bir kıyaslama sağlarken ve temel araştırma boşluklarını ele alırken, daha fazla araştırma için birkaç yol vardır. Gelecekteki çalışmalar yaklaşımı diğer değerli metallere ve emtialara genişletebilir, gelişmiş özellik seçimi ve boyut azaltma tekniklerini entegre edebilir ve 5 katlı çapraz doğrulamanın ötesinde alternatif model doğrulama stratejileri deneyebilir. Bu çalışmaya gelişmiş özellik seçimi yöntemlerinin dahil edilmesiyle model performansının daha da iyileştirilip iyileştirilemeyeceğini araştırmak mümkündür. Ek olarak, rejim değişikliklerinin model kararlılığı ve tahmin doğruluğu üzerindeki etkisinin araştırılması daha derin içgörüler sağlayabilir. Sonuç olarak, bu tez çalışması, birden fazla derin öğrenme modelinin ve hiperparametre optimizasyon algoritmasının tahmin performansını sistematik olarak değerlendirerek ve karşılaştırarak altın fiyatı tahmin literatürüne önemli bir katkıda bulunmaktadır. Özellikle, Bayesian optimizasyonu yoluyla otomatik, akıllı hiperparametre ayarının kritik rolünü göstererek, çalışma yalnızca önemli bir metodolojik boşluğu doldurmakla kalmaz, aynı zamanda finansal zaman serisi tahmininde gelecekteki araştırmalar ve pratik uygulamalar için bir temel oluşturur. Burada edinilen bilgiler, altının ötesine geçerek çeşitli finansal ve ekonomik bağlamlarda karmaşık, doğrusal olmayan ve değişken zaman serilerinin modellenmesine yönelik metodolojik rehberlik sağlamaktadır.

Özet (Çeviri)

Gold has consistently played a significant role in the global economy, not only because of its chemical and physical properties, but also because of its enduring status as a safe haven and investment instrument. For centuries, gold has been seen as a reliable hedge against inflation and currency fluctuations, especially in times of financial uncertainty, geopolitical conflict, or severe economic crisis. The continued demand for gold is reflected in its liquidity, its use as a hedge by investors, governments, and central banks. The XAU/USD ounce price, in particular, serves as a key benchmark for pricing financial instruments such as options, futures, swaps, and forwards, and is closely monitored for insights into broader market dynamics. This has increased the importance of forecasting the XAU/USD ounce price. However, the complexity of the gold market increases its sensitivity to a multitude of macroeconomic and financial indicators, such as exchange rates, stock indices, oil prices, and interest rates. The complex, non-linear, and often non-stationary relationships between these factors make accurate gold price prediction a formidable challenge. While machine learning and deep learning models offer enhanced flexibility and capacity to capture complex relationships, the effectiveness of these methods largely depends on the optimal hyperparameter selection. Traditionally, hyperparameter selection has relied on grid search, random search or manual trial-and-error approaches. This creates a significant research gap as systematic and more comprehensive hyperparameter optimization has not been sufficiently investigated in the context of gold price prediction. This thesis aims to address this gap by systematically investigating the impact of deep learning models such as long short-term memory (LSTM), recurrent neural networks (RNN), convolutional neural network (CNN), gated recurrent units (GRU), temporal convolutional networks (TCN) and Bayesian, Grey-Wolf, and Genetic hyperparameter optimization algorithms on the forecast performance of the daily closing price of XAU/USD. The primary objectives are fourfold: (1) to determine the most appropriate deep learning-hyperparameter optimization model for XAU/USD ounce price prediction; (2) to determine the most informative window size for time series prediction; (3) to evaluate the impact and effectiveness of hyperparameter optimization methods on the forecast performance; and (4) to explain the comparative strengths and weaknesses of each deep learning architecture in this context. The study used the XAU/USD daily ounce price from 01.01.2018 to 10.01.2025 and the XAG/USD futures price, BTC/USDT, GBP/USD, USD/JPY, S&P500, Brent oil, WTI oil, DJIA, VIX and 10-year US Treasury yields, which are frequently used as featue in the literature in the prediction studies for XAU/USD. Statistical analyses such as skewness, kurtosis and Jarque-Bera normality tests were used in the study and these analyses showed non-normal, asymmetric and complex distributional properties in most variables in the data set. This situation further emphasizes the inadequacy of linear models and strengthens the motivation for a deep learning-based approach. The correlation analysis also reveals that XAG/USD, S&P500, DJIA, BTC/USDT and USD/JPY show the strongest relationships with XAU/USD, while GBP/USD shows a negative correlation. The study consists of two phases. In the first phase, deep learning models were trained using default hyperparameters with window sizes of 8, 16, 32 and 64, while in the second phase, hyperparameter optimization was applied via the above-mentioned algorithms and hyperparameter optimization was applied on model parameters such as hidden size, learning rate, filters and kernel size. In the study, the empty data in the dataset were filled with the forward filling method. The dataset was normalized with MinMaxScaler. After this step, the dataset was divided into 90% training and 10% test sets and the last 10% of the training set was separated as the validation set using time-based splitting. Then, sequences were created for 8, 16, 32 and 64 window sizes with a sliding window. The models were implemented using Python 3.8 with libraries such as NumPy, Pandas, Matplotlib, Scikit-learn and Tensorflow/Keras and were run on a system equipped with Windows 10 operating system, 16 GB RAM and Intel Core i7 processor. The model results were reverse normalized and the performance of the models in phase 1 and phase 2 was evaluated by calculating the mean absolute percentage error (MAPE), mean absolute error (MAE), root mean squared error (RMSE) and coefficient of determination (R2) for the test set with these data. Whether the models gave reliable and generalizable results and whether there was overfitting were examined with 5-fold cross validation. The empirical results reveal several important insights. Models incorporating hyperparameter optimization consistently outperformed those using default parameters across all window sizes and deep learning models. Bayesian optimization emerges as the most effective and computationally efficient method, providing the best balance between prediction accuracy and resource utilization. In contrast, the Genetic algorithm generally shows the lowest performance, especially as the window size increases, suggesting limitations in search efficiency for this application. The window size played a critical role in model performance, with the most accurate predictions generally obtained at window sizes of 8 and 16. This finding is consistent across both phases and most deep learning model-hyperparameter optimization algorithm combinations. Models such as RNN and CNN show higher sensitivity to window size, while LSTM, GRU, and TCN show more robust performance with varying window lengths. Among deep learning models, GRU-Bayesian optimization in particular outperformed other models both in the performance comparison with testing data and in 5-fold cross validation results. Despite the foundational, RNN is hampered by the vanishing gradient problem and limited to capturing long-term dependencies and is found to be more prone to Overfitting. GRU presented a positive trade-off between complexity, training speed and forecasting power. LSTM can be said to be moderately sensitive to window changes. Despite its power to remove local patterns for CNN, it can be said that it is less effective in modeling temporal addictions and more sensitive to the window size. TCN has shown strong aspects in modeling long-term dependencies with dilated convolutions, but it has been seen that it has high sensitivity to the window size. A 5-fold cross validation is used to show that the models used in Phase 1 and Phase 2 yielded reliable and generalizable results. Thus, it is aimed to show the validity of empirical findings. The findings have important consequences for practitioners and policy makers. The superiority of Bayesian optimization in deep learning based gold price prediction proposes a clear way for practitioners who want to develop efficient prediction systems with high accuracy. Determination of optimum window sizes and comparative analysis of model architecture provides applicable guidance for model selection and configuration in similar financial prediction studies. While this study provides a comprehensive benchmark and addresses key research gaps, there are several avenues for further research. Future studies can extend the approach to other precious metals and commodities, integrate advanced feature selection and dimensionality reduction techniques, and attempt alternative model validation strategies beyond 5-fold cross-validation. It is possible to investigate whether model performance can be further improved by including advanced feature selection methods in this study. Additionally, investigating the impact of regime changes on model stability and forecast accuracy could provide deeper insights. In conclusion, this thesis study makes a significant contribution to the gold price forecasting literature by systematically evaluating and comparing the forecasting performance of multiple deep learning models and hyperparameter optimization algorithms. In particular, by demonstrating the critical role of automatic, intelligent hyperparameter tuning via Bayesian optimization, the study not only fills an important methodological gap but also lays a foundation for future research and practical applications in financial time series forecasting. The insights gained here extend beyond gold to provide methodological guidance for modeling complex, nonlinear, and volatile time series in a variety of financial and economic contexts.

Benzer Tezler

  1. Tez No

    686035

    Design and backtesting of a trading algorithm with scalping day strategy for XAU/USD FX market for individual traders

    Bireysel yatırımcılar için XAU/USD FX piyasasında skalping stratejisi kulanmakta olan al-sat algoritmasının tasarımı ve geçmiş veri ile testinin gerçekleştirilmesi

    UMUT MEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İşletmeBaşkent Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ÖZGE SEZGİN ALP

  2. Tez No

    825738

    Korku endeksi (VIX) ile altın, döviz, kripto para ve dünya borsaları arasındaki ilişkilerin analizi

    From analysis of relationships between volatility index (VIX) and gold, currency, cryptocurrency and world stock exchanges

    BURAK ŞEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EkonometriMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    DOÇ. DR. NEŞE ÇOBAN ÇELİKDEMİR

  3. Tez No

    747980

    Döviz kuru ve altın ile pay senedi arasındaki ilişkinin Kırılgan Beşli ülkeler çerçevesinde incelemesi

    An examination of the relationship between exchange rate and gold and stock within the framework of Fragile decimated countries

    OSMAN ESMER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. GÖKTUĞ CENK AKKAYA

  4. Tez No

    706860

    Küresel salgın sürecinde seçilmiş finansal varlıklar arasındaki dinamik bağlantılılık ilişkisi: Covid-19 örneği

    Dynamic connectedness relationship between selected financial assets during the global pandemic: Covid-19 sample

    KUBİLAY YANIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BankacılıkBurdur Mehmet Akif Ersoy Üniversitesi

    Bankacılık ve Finans Ana Bilim Dalı

    DOÇ. DR. İSMAİL ÇELİK

  5. Tez No

    675732

    Para ve finans teorisi açısından kripto paralar: Bitcoin örneği

    Crypto money in terms of money and finance theory: The Bitcoin example

    ÇİLEM ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    EkonomiHasan Kalyoncu Üniversitesi

    İktisat Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EDA DİNERİ

Geri Dön