Makine öğrenimi modelleri aracılığıyla zaman serisi tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: CANBERK BULUT

Danışman: Burcu Hüdaverdi

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Finansal zaman serilerinin tahmin edilmesi, ekonomide en karmaşık problemlerden biridir. Finansal piyasaların doğrusal olmayan faktörler ve belirsizliklerle dolu karmaşıklığı, tahminleri zorlaştırır ve genellikle düzensiz hareket etmelerine neden olur. Bu nedenle klasik tahmin yöntemleri yetersiz kalabilir. Makine öğrenimi yöntemleri genellikle daha iyi sonuçlar verir ancak karmaşıklık ve oynaklıkla dolu serileri tek başına tahmin etmekte yetersiz kalabilir. Bu nedenle hibrit yaklaşımlar önemlidir. Hisse senedi piyasası tahmini için geliştirilen hibrit modeller, zaman içinde makine öğrenimi algoritmalarının kullanımını arttırmıştır. Bu çalışmada, NASDAQ, DAX, NISEI ve BIST100 hisse senedi piyasalarından dört hisse senedi üzerinde hibrit modelleme yaklaşımı uygulanmıştır. Hisse senedi piyasaları değişken yapısı ve oynaklığı ile bilinir. Bu çalışmada, oynaklığı dikkate alan çeşitli hibrit modeller önerilmiştir. Hibrit modellemelerde, ARIMA modelleri öncelikle GARCH ile birleştirilerek zaman serileri modellemesinde kullanılmış ardından SVM ve LSTM gibi zeki modeller hata serilerinin doğrusal olmayan özelliklerini yakalamak için kullanılmıştır. Ayrıca önerilen hibrit modeller, mevcut yöntemlerle karşılaştırılarak performansları değerlendirilmiştir. Değerlendirmede RMSE, MSE, MAE ve MAPE gibi hata ölçütleri kullanılmıştır. Önerilen hibrit metodoloji, zaman serisi verisinin karmaşıklığını ve oynaklığını en iyi şekilde yakalayan farklı modelleri birleştirerek tahmin performansını büyük ölçüde arttırır.