Geri Dön

Forecastıng bıst renewable energy stocks wıth deep learnıng models and portfolıo optımızatıon

Bıst yenilenebilir enerji hisselerinin derin ögrenme modelleriyle tahmini ve portföy optimizasyonu

PDF İndir

  1. Tez No: 961607
  2. Yazar: OZAN ALP
  3. Danışmanlar: DOÇ. DR. GÜLDER KEMALBAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonomi, İstatistik, Computer Engineering and Computer Science and Control, Economics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 75

Özet

Bu tez, Borsa Istanbul (BIST) yenilenebilir enerji sektöründe portföy optimizasyonunu, derin öğrenme tabanlı getiri tahmini ile çok amaçlı portföy modellerini entegre ederek incelemektedir. Ampirik analiz, 16 Kasım 2022 ile 19 Mart 2025 tarihleri arasında BIST Elektrik Endeksi'nde işlem gören on iki yenilenebilir enerji şirketinin günlük kapanış fiyatlarına dayanmaktadır. Hisse senetlerinin bir gün sonraki getirilerini tahmin etmek için dört zaman serisi tahmin modeli kullanılmıştır: Tekrarlayan Sinir Ağı (RNN), Gated Recurrent Unit (GRU), Uzun Kısa Süreli Bellek (LSTM) ve Amazon'un Chronos çerçevesi. Tahmin performansı, Beş farklı ölçüt kullanılarak değerlendirilmiştir: Ortalama Mutlak Hata (MAE), Ortalama Kare Hata (MSE), Kök Ortalama Kare Hata (RMSE), Ortalama Mutlak Yüzde Hata (MAPE) ve Ortalama Yön Doğruluğu (MDA). Her hisse için, MAPE değerine göre en iyi performansı gösteren model seçilmiş ve bu modelin getiri tahminleri portföy oluşturma sürecinde kullanılmıştır. Dört farklı çok amaçlı portföy optimizasyon modeli geliştirilmiş ve Baskın Olmayan Sıralama Genetik Algoritma-II kullanılarak çözülmüştür: (i) Ortalama-Varyans (MV), (ii) Ortalama-Varyans ve Sharpe oranı maksimizasyonu (MV-SR), (iii) Ortalama-Varyans ve Asimetrik Beta minimizasyonu (MV-AB) ve (iv) Ortalama-Varyans ile birlikte hem Sharpe oranı hem Asimetrik Beta hedeflerini içeren model (MV-SR-AB). Tüm portföyler, tam yatırım ve kısa satış yasağı kısıtları altında değerlendirilmiştir. Ampirik bulgular, derin öğrenme tabanlı getiri tahminlerinin çok amaçlı portföy optimizasyonu ile birleştirilmesinin, risk düzeltilmiş getirileri artırdığını göstermektedir. Özellikle MV-SR-AB modeli, Sharpe oranı, Sortino oranı ve uzun vadeli büyüme açısından tutarlı şekilde üstün performans sergilemiş; bu da geleneksel ortalama-varyans kriterlerine ek olarak aşağı yönlü risk hassasiyetinin dahil edilmesinin sağladığı katma değeri ortaya koymuştur.

Özet (Çeviri)

This thesis investigates portfolio optimization within the renewable energy sector of Borsa Istanbul (BIST) by integrating deep learning-based return forecasting with multi-objective portfolio models. Daily closing prices of twelve renewable energy companies listed in the BIST Electricity Index between November 16, 2022, and March 19, 2025, were used as the empirical foundation. For one-day-ahead stock return prediction, four time series forecasting models were implemented: Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), and Amazon's Chronos framework. Forecasting performance was evaluated using five metrics: Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and Mean Directional Accuracy (MDA). For each stock, the best-performing model based on MAPE was selected and its return predictions were incorporated into portfolio construction. Four distinct multi-objective portfolio optimis between November 16, 2022, and March 19, 2025, were used as the empirical foundation. For one-day-ahead stock return prediction, four time series forecasting models were implemented: Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), and Amazon's Chronos framework. Forecasting performance was evaluated using five metrics: Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and Mean Directional Accuracy (MDA). For each stock, the best-performing model based on MAPE was selected and its return predictions were incorporated into portfolio construction. Four distinct multi-objective portfolio optimization models were developed and solved using the Non-dominated Sorting Genetic Algorithm-II: (i) Mean-Variance (MV), (ii) Mean-Variance with Sharpe ratio maximization (MV-SR), (iii) Mean-Variance with Asymmetric Beta minimization (MV-AB), and (iv) Mean-Variance with both Sharpe and Asymmetric Beta objectives (MV-SR-AB). All portfolios were subject to full-investment and no-short-selling constraints. The empirical findings demonstrate that combining deep learning–based forecasts with multi-objective portfolio optimization enhances risk-adjusted returns. In particular, the MV-SR-AB model delivered consistently superior performance in terms of Sharpe ratio, Sortino ratio, and long-term growth, illustrating the added value of incorporating downside-risk sensitivity alongside traditional mean-variance criteria.

Benzer Tezler

  1. Tez No

    462190

    BİST 100 getiri endeksinin farklı yöntemlerle öngörülerek sonuçlarının karşılaştırılması

    Forecasting BİST 100 return index with different methods and comparing results

    ÖZLER ÖZGÜR

    Doktora

    Türkçe

    Türkçe

    2016

    EkonometriGazi Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. AYDIN ÜNSAL

  2. Tez No

    481691

    Forecasting BIST-100 price index

    BIST-100 fiyat endeksi tahminlemesi

    BUĞRA YETGİNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    EkonometriOrta Doğu Teknik Üniversitesi

    İktisat Ana Bilim Dalı

    YRD. DOÇ. DR. DİLEM YILDIRIM KASAP

  3. Tez No

    559149

    Deep learning based stock market prediction using technical indicators

    Teknik göstergeleri kullanarak derin öğrenme ile hisse senedi piyasası tahmini gerçekleştirme

    HALİL RAŞO

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ

  4. Tez No

    438221

    Bist 100 endeksinin ekonomik takvim etkisi gözetilerek yapay sinir ağları ile öngörülmesi

    Forecasting the bist 100 index using artificial neural networks with consideration of the economic calendar

    ŞAHİN TELLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    İşletmeAnadolu Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. METİN ÇOŞKUN

  5. Tez No

    929795

    XGBoost algoritması ile pay piyasası fiyat tahmini: Borsa İstanbul endeksleri üzerinde bir uygulama

    Prediction of prices using XGBoost algorithm: An application on BIST 100, BIST 50, and BIST 30 indices

    TAHSİN TAYIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İşletmeBursa Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ABDULKADİR KAYA

Geri Dön