Borsa analizi ve tahmini için derin öğrenme ağları
Deep learning networks for stock market analysis and prediction
- Tez No: 957472
- Danışmanlar: DOÇ. DR. ERHAN ÇENE
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: LSTM, makine öğrenmesi, zaman serileri, derin öğrenme, yapay sinir ağı, LSTM, machine learning, time series, deep learning, artificial neural network
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Finansal piyasalar, ekonomik yapıların nabzını tutan ve yatırım kararlarını yönlendiren temel yapılardan biridir. Özellikle borsa, yatırımcılara yüksek getiri sağlama potansiyeliyle dikkat çekerken, aynı zamanda belirsizlik ve dalgalanmaların da merkezinde yer almaktadır. Bu karmaşık yapı, yatırımcıların daha sağlıklı kararlar alabilmeleri için güvenilir tahmin sistemlerinin geliştirilmesini zorunlu kılmaktadır. Geleneksel finansal analiz yöntemlerinden ziyade, günümüzde yapay zekâ ve makine öğrenmesi temelli tekniklerin finansal veriler üzerinde başarılı tahminler ürettiği gözlemlenmiştir. Bu doğrultuda, hisse senedi fiyatlarının zaman serisi verileri üzerinden modellenerek geleceğe yönelik projeksiyonlar sunulması, hem akademik hem de pratik açıdan oldukça değerli bir araştırma işine dönüşmüştür. Bu çalışmada, borsa endeks tahmininde kullanılabilecek derin öğrenme algoritmalarının performansları incelenmiş; özellikle uzun kısa süreli bellek (LSTM) mimarisi temelinde tahmin modeli geliştirilerek, geçmiş hisse senedi fiyatlarından gelecekteki değerlerin öngörülmesi amaçlanmıştır. Bu çalışmada BİST30 hisselerinden 9 adet hisse kullanarak her biri için model çalıştırılmış ve sonuçlar ayrı ayrı gözlenmiştir. Modelin hisse senetlerimiz üzerindeki fiyat, yön ve artış azalışları tahmin etme gücü incelenmiştir. Denenen 9 hisse senedi için modelde tahmin edilen ile gerçek değerler arasındaki ortalama sapma değeri %2.90, maksimum sapma %15.18 ve modelin gerçek değerlerle aynı yönde hareket edip etmediğini inceleyen yönsel doğruluk oranının ortalama % 75 olduğu görülmüştür. Sonuç olarak LSTM ve GRU tabanlı modeller, hisse senedi fiyatlarının tahmini konusunda güçlü bir performans sergilemiştir.
Özet (Çeviri)
Financial markets are one of the fundamental structures that reflect the pulse of economic systems and guide investment decisions. Particularly, the stock market stands out with its high return potential for investors, while also being at the center of uncertainties and fluctuations. This complex structure necessitates the development of reliable forecasting systems to enable investors to make healthier decisions. Rather than traditional financial analysis methods, it has been observed that artificial intelligence and machine learning-based techniques produce successful predictions on financial data today. In this context, modeling stock prices based on time series data and providing future projections has become a highly valuable research endeavor, both academically and practically. In our thesis study, the performances of deep learning algorithms that can be used for stock index prediction have been examined; in particular, a forecasting model based on the Long Short-Term Memory (LSTM) architecture was developed to estimate future values from historical stock prices. In this study, models were run separately for 9 stocks from the BIST30 index, and the results were analyzed individually. The model's ability to predict price, direction, and changes (increases or decreases) for our selected stocks was evaluated. For the 9 tested stocks, the average deviation between the predicted and actual values in the model was 2.90%, the maximum deviation was 15.18%, and the average directional accuracy — which examines whether the model moves in the same direction as the actual values — was observed to be 75%. As a result, LSTM and GRU-based models demonstrated strong performance in predicting stock prices.
Benzer Tezler
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Deep learning networks for stock market analysis
Borsa analizi ve tahmini için derin öğrenme ağları
SEYDA KALYONCU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AKHTAR JAMIL
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- The effectiveness of artificial intelligence in financial analysis: ISE100
Finansal analizde yapay zekanın etkinliği: BIST100
FİKRİYE KARACAMEYDAN
Doktora
İngilizce
2023
BankacılıkAnkara Yıldırım Beyazıt ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. ERHAN ÇANKAL
- Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach
Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi
ŞEYMA EĞE
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN