MACD tabanlı özellik çıkarımı ve derin öğrenme ile finansal zaman serisi hareketlerinin öngörüsü
MACD based feature extraction and deep learning for forecasting financial time series movements
- Tez No: 992291
- Danışmanlar: DOÇ. DR. OKTAY YILDIZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Finansal zaman serisi öngörüsü, başarılı stratejiler oluşturmak için gerekli, kritik ancak zorlu bir süreçtir. Güvenilir öngörü sistemleri, etkili yatırım yönetimi ve algoritmik ticaret için hayati önem taşımaktadır. Bu ihtiyaç, makine öğrenimi ve istatistik yöntemlerine yönelik kapsamlı araştırmaları teşvik etmektedir. Literatürde, hisse senedi zaman serilerinde genellikle aynı gün veya bir sonraki günün fiyat yönünü tahmin etmeye odaklanan çok sayıda çalışma bulunmaktadır. Bununla birlikte, zaman serilerini daha küçük parçalara bölerek analiz yapan çalışma sayısı nispeten azdır ve bulanık kümelerin bu bağlamdaki uygulamaları yeterince keşfedilmemiştir. Bu çalışma, önceki yaklaşımlardan farklı olarak, bir sonraki günün fiyat yönünü tahmin etmek için yeni bir yöntem sunmaktadır. Önerilen yaklaşım; zaman serisi verilerindeki yerel trendlerin belirlenmesini, bu trendlerin özelliklerinin çıkarılmasını, verilerin bulanık değerlere dönüştürülmesini ve ardından bir derin öğrenme yöntemi ile tahmin yapılmasını içermektedir. Çalışmada, Borsa İstanbul'da (BIST) işlem gören 40 hisse senedinin on yıllık günlük kapanış verileri kullanılmıştır. Önerilen yöntem, söz konusu 40 hisse senedi için bir sonraki günün fiyat yönünü ortalama %79,04 doğruluk oranıyla tahmin etmiştir.
Özet (Çeviri)
Financial time series forecasting is a critical yet challenging process necessary for developing successful strategies. Reliable forecasting systems are vital for effective investment management and algorithmic trading. This need has spurred extensive research into machine learning and statistical methods. The literature contains numerous studies that typically focus on predicting the price direction of stock time series on the same day or the following day. However, relatively few studies analyze time series by dividing them into smaller segments, and the applications of fuzzy sets in this context have not been sufficiently explored. This study presents a novel method for predicting the price direction of the following day, differing from previous approaches. The proposed approach involves identifying local trends in time series data, extracting the characteristics of these trends, converting the data into fuzzy values, and then making predictions using a deep learning method. The study used ten years of daily closing data for 40 stocks traded on the Istanbul Stock Exchange (BIST). The proposed method predicted the next day's price direction for the 40 stocks with an average accuracy rate of 79.04%.
Benzer Tezler
- Bridging causal discovery and graph neural networks: a comparative perspective
Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı
MUHAMMED ÖMER TAYLAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. SEFER BADAY
- Borsa endeksi tahmininde derin öğrenme ve geleneksel yöntemlerin karşılaştırması: G7 ve E7 ülkelerinde bir uygulama
Comparison of deep learning and traditional methods in stock index forecasting: An application in G7 and E7 countries
LÜTFİYE SÖNMEZ
Doktora
Türkçe
2025
İşletmeTokat Gaziosmanpaşa Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. MİHRİBAN COŞKUN ARSLAN
- Yapay zekâ kullanılarak Borsa İstanbul (BIST) için algoritmik işlem stratejilerinin geliştirilmesi
Developing algorithmic trading strategies for Borsa Istanbul (BIST) using artificial intelligence
HÜSEYİN IRMAK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT AYDOS
- Dynamic market modeling with heterogeneous agents: Applications in diverse markets
Heterojen ajanlarla dinamik finansal piyasa modellemesi: Çeşitli piyasalarda uygulamalar
HİDAYET BEYHAN
Doktora
İngilizce
2023
Maliyeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. KEMAL BURÇ ÜLENGİN
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ