Improving time series forecasts through predictive error compensation and deep feature fusion

Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇

PDF İndir

Tez No: 962352
Yazar: MUHAMMED ENES BAŞ
Danışmanlar: PROF. DR. BURAK BERK ÜSTÜNDAĞ
Tez Türü: Yüksek Lisans
Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
Sayfa Sayısı: 93

Özet

Finansal piyasalar, ekonomik politikalar, piyasa hissiyatı, jeopolitik olaylar ve yatırımcı davranışları gibi birçok faktörle etkilenen karmaşık yapılarla tanımlanır. Bu faktörler, doğrusal olmayan, dinamik ve zamanla değişen davranışlara yol açarak hisse senedi fiyatlarının doğru tahmin edilmesini son derece zorlaştırmaktadır. Hisse senedi fiyatlarını tahmin etme zorluğu, finansal verilerin stokastik doğasından kaynaklanmaktadır; burada belirsizlik, veri üretim sürecinin yerleşik unsurudur. Bu piyasa trendlerindeki dışsal değişkenlerle daha da karmaşık hale gelir ve bu değişkenler geleneksel tahmin modelleriyle tam olarak yakalanamayabilir. Sonuç olarak, overfitting (aşırı uyum sağlama) önemli bir sorun haline gelir; çünkü büyük bir geçmiş veri kümesiyle eğitilen bir model geçmiş veriler üzerinde iyi performans gösterebilir ancak gelecekteki veriye genelleme yapmada başarısız olabilir. Makine öğrenmesi teknikleri, bu zorlukları aşmak için umut verici bir çözüm olarak öne çıkmaktadır, ancak kendi içinde zorluklar da taşımaktadır. En önemli sorunlardan biri, modelleri etkili bir şekilde eğitmek için büyük veri kümelerine duyulan ihtiyaçtır. Daha fazla veri genellikle daha iyi genelleme sağlar, ancak finansal zaman serilerinin durağan olmayan doğası bu yaklaşımı karmaşıklaştırmaktadır. Geçmiş verilere büyük ölçüde dayanan modeller, tahminlerini geçmiş desenlere sabitleyebilir ve bu da gelecekteki piyasa dinamiklerini doğru şekilde yansıtmayabilir. Ayrıca, eğitim dönemi uzunluğunun arttırılması veya özellik setinin genişletilmesi, overfitting sorununu daha da kötüleştirebilir, çünkü modeller, verileri ezberlemek yerine genelleştirilebilir desenler öğrenmekte zorlanabilir. Bu sorunları etkili bir şekilde çözmek için, yalnızca dikkate alınan değişken sayısını artırmak değil, aynı zamanda finansal piyasa koşullarına uyum sağlayabilecek özniteliklerin çıkarılması gerekmektedir. Bu zorluklara yanıt olarak, Predictive Error Compensated Wavelet Neural Network (PECNET) adlı, hisse senedi fiyat tahmini için geliştirilen güçlü bir model tanıtılmaktadır. PECNET, iki güçlü tekniği entegre eder: hata telafisi ve wavelet tabanlı öznitelik çıkarımı. PECNET'in mimarisi, ardışık bir şekilde çalışan ve her ağın önceki ağdan kalan hatalarla eğitildiği bir dizi sinir ağı içerir. Bu ardışık yapı, PECNET'in tahminlerini iteratif olarak iyileştirmesine yardımcı olur, veriyi farklı frekans bantları ve zaman pencereleri üzerinden işleyerek kısa vadeli dalgalanmalara ve uzun vadeli trendlere aynı anda uyum sağlar. Wavelet tabanlı öznitelik çıkarımı özellikle önemlidir, çünkü finansal zaman serisi verilerini hem zaman hem de frekans alanı bilgilerini temsil eden bileşenlere ayırmasını sağlar. Bu ayrım, geleneksel yöntemlerle zorlanabilecek olan veriden önemli özellikleri tanıyıp çıkarmaya olanak tanır. Ayrıca PECNET, durağan olmayan verilerle başa çıkmak için uyarlanabilir normalizasyon teknikleri kullanır; çünkü geleneksel normalizasyon yöntemleri zaman içinde tutarlılığı sağlamakta zorlanabilir. Bu tekniklerin kombinasyonu, PECNET'in piyasa koşullarındaki değişikliklere uyum sağlamasına ve overfitting riski olmadan doğru tahminler yapmasına olanak tanır. PECNET'in modüler tasarımı, farklı tahmin problemlerine uyarlanabilirliğini artırırken, büyük veri kümelerine duyulan ihtiyacı azaltarak, daha küçük veri kümeleriyle bile verimli çalışmasını sağlar ve gerçek zamanlı tahminler için hesaplama verimliliği sağlar. Ayrıca, PECNET'in birden fazla giriş değişkeni ile başa çıkabilme yeteneği, karmaşık tahmin görevlerinde güvenilirliğini artırır. Mevcut tahmin modelleri olan ARIMA, VAR, LSTM ve CNN, hisse senedi fiyat tahmininde yaygın olarak kullanılmaktadır, ancak finansal zaman serisi verilerine uygulandığında belirgin sınırlamaları vardır. ARIMA ve VAR modelleri doğrusal ilişkileri yakalamada etkili olabilirken, finansal piyasalarda baskın olan doğrusal olmayan ve zamanla değişen desenlerle başa çıkmakta zorlanmaktadır. Derin öğrenme modelleri olan LSTM ve CNN, karmaşık ilişkileri modelleme yeteneğine sahip olsa da büyük veri kümeleri gerektirir, overfitting riski taşır ve hesaplama açısından pahalıdır, bu da bunların gerçek zamanlı tahminlerde kullanılmasını zorlaştırır. Hibrit modeller, sinir ağlarını wavelet dönüşümleri gibi tekniklerle birleştirerek bazı sınırlamaları aşmayı amaçlamaktadır. Bu hibrit modeller, kısa vadeli volatiliteyi ve uzun vadeli eğilimleri yakalayarak tahmin doğruluğunu artırabilir. Bununla birlikte, overfitting, yüksek hesaplama maliyetleri ve kapsamlı öznitelik mühendisliği gibi zorluklar devam etmektedir. PECNET, wavelet dönüşümlerini sinir ağlarıyla entegre ederek bu zorlukların üstesinden gelir ve kısa vadeli ve uzun vadeli bağımlılıkları, TimeGPT gibi modellere göre daha düşük hesaplama yüküyle etkili bir şekilde işleyebilir. TSMixer ve Prophet'ten farklı olarak, PECNET, zamanla değişen eğilimleri ve dışsal etkileri daha doğru bir şekilde yakalar, bu da onu volatil, doğrusal olmayan finansal ortamlarda hisse senedi fiyat tahmini için güçlü ve verimli bir çözüm haline getirir. Sonuç olarak, PECNET, geleneksel tahmin modellerine kıyasla yüksek doğruluk, verimli hesaplama ve hem kısa vadeli dalgalanmaları hem de uzun vadeli eğilimleri yakalayabilme yeteneği sunarak üstün bir alternatif sağlar. PECNET modeli, wavelet tabanlı öznitelik çıkarımı ve hata telafisini birleştirerek hisse senedi fiyat tahminini iyileştirmeyi amaçlayan bir yapıdır. Birbirine bağlı sinir ağlarından oluşur ve her ağ, önceki ağdan kalan hata verileri ile eğitilir. Bu yapı, PECNET'in tahminlerini iteratif olarak iyileştirmesine olanak tanır ve finansal zaman serisindeki kısa vadeli dalgalanmalara ve uzun vadeli trendlere ilişkin bağımlılıkları adresler. Wavelet dönüşümü, PECNET'in önemli desenleri yakalama yeteneğinde kritik bir rol oynar. Zaman serisi verilerini farklı frekans bantlarına ayırarak, PECNET hem kısa vadeli volatiliteyi hem de uzun vadeli piyasa trendlerini dikkate alabilir. Wavelet dekompozisyonuna ek olarak, model, gürültüyü azaltmak ve piyasa dinamiklerine odaklanmak için hareketli ortalama düzeltmesi uygular. Giriş verileri, zaman penceresiyle sabit uzunlukta dizilere düzenlenir, böylece model hem kısa hem de uzun vadeli bağımlılıkları işleyebilir. Üç farklı giriş metodolojisi kullanılır: dört günlük ardışık bir dizi, sekiz günlük bir dizi ve günlük ve haftalık verilerin birleşimi. Bu, PECNET'in çeşitli tahmin senaryolarına uyum sağlamasına ve hem kısa vadeli volatiliteyi hem de daha geniş piyasa trendlerini yakalamasına olanak tanır. Model için seçilen özellikler arasında kapanış fiyatı, işlem hacmi, endeks değeri ve P/E oranı yer alır, çünkü bu özellikler yaygın olarak kullanılır ve hisse senedi fiyat tahmini için önemlidir. Bu özellikler, wavelet dekompozisyonu ve uyarlanabilir normalizasyon kullanılarak işlenir, bu da finansal verilerin durağan olmayan doğasıyla başa çıkılmasını sağlar. PECNET'in performansı, RMSE, MAE ve R² gibi metriklerle TimeGPT, TSMixer ve Prophet gibi üç modern modelle karşılaştırılarak değerlendirilmiştir. PECNET, doğruluk ve genelleme açısından bu modelleri geride bırakmıştır ve karmaşık, doğrusal olmayan finansal zaman serilerini etkili bir şekilde işleyebilme yeteneğini göstermiştir. PECNET modeli, diğer modern tahmin modelleri olan TimeGPT, Prophet ve TSMixer ile karşılaştırılmıştır. Değerlendirme, her modelin doğruluk ve genelleme yeteneğini ölçmek için RMSE, MAE ve R² gibi performans metriklerine dayanarak yapılmıştır. PECNET, diğer modellere kıyasla daha düşük RMSE ve MAE değerleri ve daha yüksek R² puanları elde ederek üstün performans göstermiştir. Hem kısa vadeli fiyat dalgalanmalarını hem de uzun vadeli piyasa trendlerini başarıyla yakalayarak doğruluk ve istikrar açısından rakiplerini geride bırakmıştır. TimeGPT ve TSMixer gibi modeller belirli alanlarda iyi sonuçlar gösterse de, PECNET'in doğrusal olmayan, zamanla değişen piyasa verileriyle başa çıkabilme ve overfitting'i engelleyebilme yeteneği, bu çalışmada onu en sağlam çözüm yapmıştır. TimeGPT, karmaşık zaman bağımlılıklarını yakalamada mükemmeldir, ancak büyük veri kümeleri ve önemli hesaplama kaynakları gerektirir, bu da sınırlı tarihsel verilere sahip durumlar için daha az uygun hale getirir. TSMixer, daha hesaplama açısından verimlidir ve ardışık verilerde iyi sonuçlar gösterir, ancak sezonlukluk ve dışsal etkilerle başa çıkmada etkili yöntemlere sahip değildir. Prophet, yüksek derecede yorumlanabilir ve eksik verilere ve sezonlukluklara karşı dirençli olsa da, finansal piyasalarda karmaşık, doğrusal olmayan eğilimleri yakalamakta zorlanır. PECNET, bu modellerin güçlü yönlerini birleştirerek, sınırlamalarını aşmaktadır. Wavelet tabanlı öznitelik çıkarımı, çok aşamalı hata telafisi ve esnek veri girişi yöntemleriyle, dinamik piyasa koşullarını daha iyi modelleyebilir ve daha doğru tahminler sağlayabilir. Bu çalışma, PECNET'in hisse senedi fiyat tahmininde etkili ve verimli bir araç olduğunu, doğruluk ve sağlamlık açısından mevcut modelleri geride bıraktığını göstermektedir. Wavelet tabanlı öznitelik çıkarımı, hata telafisi ve uyarlanabilir eğitim yöntemlerini entegre ederek, PECNET, finansal zaman serilerinin karmaşık dinamiklerini başarıyla yakalayarak overfitting riskini en aza indirir. Modüler tasarımı, geniş bir tahmin problemleri yelpazesinde uyarlanabilirliğini sağlar ve hesaplama verimliliği, gerçek zamanlı uygulamalarda kullanılmasını garantiler. PECNET, geleneksel tahmin modellerine umut verici bir alternatif sunar ve volatil ve doğrusal olmayan finansal ortamlarda hisse senedi fiyat tahmin doğruluğunu önemli ölçüde iyileştirme potansiyeline sahiptir.

Özet (Çeviri)

Financial markets exist as complex systems in which stock prices move based on multiple economic factors along with investor attitudes and political conditions and market structures. The multiple interacting factors within financial systems create difficulties for precise stock price predictions because their effects follow non-linear and time-dependent patterns. The forecasting process becomes more complicated because financial data displays stochastic characteristics alongside built-in uncertainty. Market behavior changes caused by external influences remain difficult for traditional methods to detect. The difficulty of achieving model generalization occurs because these models show excellent historical data performance but fail to predict future unseen data. Machine learning techniques have proven themselves as strong solutions to solve these problems although they introduce their own constraints. The effective training of models depends on having access to extensive datasets. The non-stationary characteristics of financial time series data make it difficult for models to generalize because they learn to recognize historical patterns that lose their relevance in changing markets. The combination of an expanded feature set or longer training duration results in overfitting because the model starts memorizing random data instead of identifying transferable patterns. Financial models require two essential capabilities to overcome these challenges: they need to process various input features and generate adaptable market representations. Such models demonstrate enhanced capabilities to produce reliable forecasts within dynamic and uncertain systems. The Predictive Error Compensated Wavelet Neural Network (PECNET) emerged as a strong predictive model to forecast stock prices because of these difficulties. The feature extraction of wavelets in PECNET functions together with error compensation to achieve effective results. PECNET uses multiple neural networks in series where each network receives residual errors from its previous stage before the model can enhance its prediction capabilities. PECNET uses its cascading structure to analyze data across multiple frequency bands and time intervals which enables the model to extract both short-term patterns and long-term trends from non-stationary financial time series data. PECNET uses wavelet-based feature extraction as its core technique because it enables the model to divide financial time series data into segments which contain both time-based and frequency-based knowledge. The decomposition process enables the model to extract essential features which traditional methods would struggle to detect from the data. PECNET handles non-stationary data through adaptive normalization methods which standard normalization methods cannot maintain consistency over time. The combination of these methods enables PECNET to deliver precise forecasts which resist overfitting and adjust to market transformations. The modular structure of PECNET provides adaptability to solve various forecasting challenges as well as flexibility. PECNET functions as an efficient real-time forecasting system because its design supports effective operations with small data sets while other models might struggle with big datasets. The ability of PECNET to stop overfitting during analysis of numerous input variables enhances its performance in complex forecasting tasks. Stock price prediction has utilized various forecasting models including ARIMA, VAR, LSTM and CNN but these models present multiple limitations. ARIMA and VAR models fail to detect non-linear time-varying patterns and fast market movements, but they excel at linear correlation detection. Real-time forecasting using LSTM and CNN remains challenging because these deep learning models need extensive data sets and can produce overfitting while being computationally costly to implement although they demonstrate strong complex dynamics prediction capabilities. The combination of wavelet transforms with neural networks in hybrid models enables better forecast accuracy by detecting short-term volatility and long-term trends. The approach faces three major challenges which include overfitting and high computational expenses along with extensive feature engineering requirements. PECNET uses wavelet transforms with neural networks to resolve these difficulties while maintaining better performance than TimeGPT in both short-term and long-term relationship analysis with reduced computational requirements. PECNET stands as an efficient and fast technique for stock value estimation in volatile non-linear financial settings because it outperforms TSMixer and Prophet by better representing time-varying trends and external effects. PECNET outperforms traditional forecasting models because it provides precise predictions alongside quick processing speed and the capability to detect both long-term stock price patterns and short-term market fluctuations. The PECNET model enhances stock price forecasting through the integration of wavelet-based feature extraction with error correction in deep learning. The model consists of multiple sequential neural networks that enhance forecasting accuracy through residual error feedback from subsequent networks. Through its sequential structure PECNET enhances its predictions through multiple iterations which handle both financial time series long-term patterns and short-term fluctuations. Wavelet transformation enables PECNET to detect significant patterns in its data. The time series data of PECNET undergoes wavelet decomposition to enable market trend analysis across short-term volatility and long-term market trends. The model uses moving average smoothing together with wavelet decomposition to reduce noise and reveal the fundamental market dynamics. The model processes both short-term and long-term dependencies through time windowing which transforms data into fixed-length sequences. Three different input systems—a four-day consecutive series, an eight-day series, and daily and weekly data combined—are applied. This helps PECNET to capture both short-term volatility and more general market patterns, therefore allowing it to adjust to several forecasting situations. Since closing prices, trading volume, index value, and P/E ratio are so commonly used and essential for stock price forecasting, these are the elements chosen for the model. Wavelet decomposition and adaptive normalization preprocess these features in order to manage the non-stationary character of financial data. Other state-of-the-art forecasting models, including TimeGPT, Prophet, and TSMixer, were evaluated against the PECNET model. To evaluate every model's generalizing capacity and accuracy, the evaluation relied on several performance parameters, including RMSE, MAE, and R². PECNET outperformed the other models with lower RMSE and MAE values and greater R² scores. It exceeded the competition in terms of accuracy and stability since it effectively catches both long-term market trends and short-term price movements. Although models such as TimeGPT and TSMixer demonstrated good performance in some domains, PECNET's capacity to manage non-linear, time-varying market data and avoid overfitting made it the most robust solution in this work. Transformer-based model TimeGPT excels in capturing complex temporal relations. It is not as effective for conditions with limited historical data because it requires large data sets and substantial computational resources. Although TSMixer performs well in modeling sequential data and is more computationally efficient, it lacks good techniques for managing seasonality and other impacts. While the prophet struggles to capture complicated, non-linear trends in financial markets, it is quite interpretable and resistant to seasonality and missing data. PECNET distinguishes itself by addressing the limits of these models and aggregating their strengths. This study shows that PECNET outperforms the latest state-of-the-art models in accuracy and robustness and is a useful and efficient tool for stock price forecasting. PECNET reduces overfitting risk and effectively captures the complex nature of financial time series. Its modular architecture ensures that it may be used in real-time applications. Also, it helps it to be adaptive in a wide variety of forecasting difficulties. In erratic and non-linear markets, PECNET provides a potential substitute for conventional forecasting models and significantly increases stock price prediction accuracy.

Benzer Tezler

Tez No
967801
Freezing fog microphysics and visibility over complex terrain based on cfact field campaign
Donan sis mikrofiziğinin ve görüş mesafesinin dağlik alanlarda cfact proje verileri kullanilarak analizi
ONUR DURMUŞ
Doktora
İngilizce
2025
Meteoroloji İstanbul Teknik Üniversitesi
Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ŞEN
Tez No
953724
Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleri İstanbul Teknik Üniversitesi
İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
Tez No
871760
GR6J hidrolojik modelindeki artık yağış ayrıştırma sabitinin model kalibrasyonuna etkisi
Effect of residual rainfall separation constant on model calibration in the GR6J hydrological model
HALİL İBRAHİM DEMİR
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliği İstanbul Teknik Üniversitesi
İnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET CÜNEYD DEMİREL
Tez No
963027
A transformer-based archıtecture: The ınformer model for uav power consumptıon estımatıon
İha güç tüketimi tahmini için transformer tabanlı ınformer modeli
AHMET KAAN DURMAZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol İstanbul Teknik Üniversitesi
Mekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
Tez No
944673
Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques
Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri
KÜBRA KÜLLAHCI
Doktora
İngilizce
2025
İnşaat Mühendisliği İstanbul Teknik Üniversitesi
İnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK

Geri Dön